Publicacao

sid.inpe.br/mtc-m19/2012/02.27.17.
24-TDI
REFINAMENTO ESTATÍSTICO DAS PREVISÕES DE

VENTO DO MODELO ETA APLICADO AO SETOR
EÓLIO-ELÉTRICO DO NORDESTE BRASILEIRO
André Rodrigues Gonçalves
Dissertação de Mestrado do Curso

de Pós-Graduação em Meteorolo-
gia, orientada pelo Dr. Enio Bueno
Pereira, aprovada em 27 de outu-
bro de 2011.
URL do documento original:

<http://urlib.net/8JMKD3MGP7W/3BEBL32>
INPE
São José dos Campos
2011
PUBLICADO POR:
Instituto Nacional de Pesquisas Espaciais - INPE

Gabinete do Diretor (GB)
Serviço de Informação e Documentação (SID)
Caixa Postal 515 - CEP 12.245-970
São José dos Campos - SP - Brasil
Tel.:(012) 3208-6923/6921
Fax: (012) 3208-6919
E-mail: pubtc@sid.inpe.br
CONSELHO DE EDITORAÇÃO E PRESERVAÇÃO DA PRODUÇÃO

INTELECTUAL DO INPE (RE/DIR-204):
Presidente:
Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID)
Membros:
Dr. Antonio Fernando Bertachini de Almeida Prado - Coordenação Engenharia e
Tecnologia Espacial (ETE)
Dra Inez Staciarini Batista - Coordenação Ciências Espaciais e Atmosféricas (CEA)
Dr. Gerald Jean Francis Banon - Coordenação Observação da Terra (OBT)
Dr. Germano de Souza Kienbaum - Centro de Tecnologias Especiais (CTE)
Dr. Manoel Alonso Gan - Centro de Previsão de Tempo e Estudos Climáticos
(CPT)
Dra Maria do Carmo de Andrade Nono - Conselho de Pós-Graduação
Dr. Plı́nio Carlos Alvalá - Centro de Ciência do Sistema Terrestre (CST)
BIBLIOTECA DIGITAL:
Dr. Gerald Jean Francis Banon - Coordenação de Observação da Terra (OBT)
Deicy Farabello - Centro de Previsão de Tempo e Estudos Climáticos (CPT)
REVISÃO E NORMALIZAÇÃO DOCUMENTÁRIA:
Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID)
Yolanda Ribeiro da Silva Souza - Serviço de Informação e Documentação (SID)
EDITORAÇÃO ELETRÔNICA:
Vivéca Sant´Ana Lemos - Serviço de Informação e Documentação (SID)
sid.inpe.br/mtc-m19/2012/02.27.17.24-TDI
REFINAMENTO ESTATÍSTICO DAS PREVISÕES DE

VENTO DO MODELO ETA APLICADO AO SETOR
EÓLIO-ELÉTRICO DO NORDESTE BRASILEIRO
André Rodrigues Gonçalves
Dissertação de Mestrado do Curso

de Pós-Graduação em Meteorolo-
gia, orientada pelo Dr. Enio Bueno
Pereira, aprovada em 27 de outu-
bro de 2011.
URL do documento original:

<http://urlib.net/8JMKD3MGP7W/3BEBL32>
INPE
São José dos Campos
2011
Dados Internacionais de Catalogação na Publicação (CIP)
Gonçalves, André Rodrigues.

R618r Refinamento estatı́stico das previsões de vento do modelo ETA
aplicado ao setor eólio-elétrico do nordeste brasileiro / André Ro-
drigues Gonçalves. – São José dos Campos : INPE, 2011.
xxvi + 151 p. ; (sid.inpe.br/mtc-m19/2012/02.27.17.24-TDI)
Dissertação (Mestrado em Meteorologia) – Instituto Nacional

de Pesquisas Espaciais, São José dos Campos, 2011.
Orientador : Dr. Enio Bueno Pereira.
1. Previsão de vento. 2. Refinamento estatı́stico. 3. Camada

limite atmosférica. 4. Energia eólica. I.Tı́tulo.
CDU 621.548:551
Copyright c 2011 do MCT/INPE. Nenhuma parte desta publicação pode ser reproduzida, arma-
zenada em um sistema de recuperação, ou transmitida sob qualquer forma ou por qualquer meio,
eletrônico, mecânico, fotográfico, reprográfico, de microfilmagem ou outros, sem a permissão es-
crita do INPE, com exceção de qualquer material fornecido especificamente com o propósito de ser
entrado e executado num sistema computacional, para o uso exclusivo do leitor da obra.
Copyright c 2011 by MCT/INPE. No part of this publication may be reproduced, stored in a

retrieval system, or transmitted in any form or by any means, electronic, mechanical, photocopying,
recording, microfilming, or otherwise, without written permission from INPE, with the exception
of any material supplied specifically for the purpose of being entered and executed on a computer
system, for exclusive use of the reader of the work.
ii
iv
“O que você fizer será insignificante, mas é da maior importância que o faça”
Mahatma Gandhi, pacifista indiano.
“Se o homem não sabe a que porto se dirige, nenhum vento lhe será favorável”
Sêneca, filósofo latino.
“Sempre que ensinares, ensina também a duvidares do que ensinas”
José Ortega y Gasset, filósofo espanhol.
v
vi
A meus pais, João Bosco e Irley,
e em memória de meus avós, Prof. Arlindo e Dona Zizinha.
vii
viii
AGRADECIMENTOS
Enfim, o mestrado se encerra. Depois de tudo pronto, o passado não aparenta

tão árduo, quanto realmente foi. É sempre assim quando nos dedicamos a algo
que vale a pena. Neste momento é importante recordar e agradecer a todos
que nos apoiaram nesta empreitada. Felizmente são muitos, embora seja muita
pretensão pensar que me lembrarei de todos.
Agradeço primeiramente a Deus pelo presente maior, a vida, me

proporcionando saúde para lutar por tudo que almejo. A toda minha família pelo
apoio incondicional desde o início do curso, em especial a Dona Irley, a melhor
mãe do mundo, ao meu pai JB, pelo exemplo de caráter, aos meus irmãos
Vanessa e Renan pelo carinho constante. Agradeço a minha avó, Dona Ivone,
por cuidar tão bem de seu neto, a Tatati e Laís por fazer os meus dias mais
descontraídos e, claro, ao mais novo membro da família, que distraiu e alegrou
os momentos mais difíceis, meu sobrinho João Pedro.
Agradeço também aos amigos que me incentivaram a seguir este caminho, ao

pessoal de Sanca e em especial à Aninha pelos conselhos sensatos. Aos
colegas do mestrado pela amizade, companheirismo e boas risadas mesmo
nos momentos mais tensos (CTF). Aos bons professores que tive, por
mostrarem o lado estimulante de se fazer ciência e aos colegas de laboratório
pela receptividade, cooperação, entusiasmo e principalmente pelas boas
amizades, que tornaram nosso espaço uma verdadeira comunidade.
Agradeço ao INPE, à pos-graduação em meteorologia e à CAPES pelos

recursos e infraestrutra disponibilizados sem os quais este trabalho não seria
possível. Fundamental também foi a contribuição do Prof. Roberto Lyra, ao
disponibilizar os dados anemométricos de Alagoas para este estudo, a quem
deixo também meus agradecimentos. Quero ainda registrar o meu respeito e
admiração pelos meus orientadores, Enio e Fernando, que além de me
proporcionar todo o suporte necessário à pesquisa, se mostraram sempre
dispostos a conversar sobre os mais variados assuntos. Por fim agradeço à
ix
banca examinadora pela cooperação e pelas sugestões de melhorias no texto
desta dissertação.
Um agradecimento especial deixo à Mári, pelo carinho e companheirismo ao

longo deste último ano. Ela sabe melhor que ninguém o que a conclusão desta
etapa representa para mim.
A todos que me apoiaram de alguma forma, os meus sinceros agradecimentos.

É curioso como é gratificante agradecer às pessoas !
x
RESUMO
A capacidade eólica instalada vem crescendo consistentemente em diversos

países nos últimos anos. Devido a seu caráter altamente variável no espaço e
no tempo, um dos grandes desafios impostos por esta fonte energética está em
prever a potência eólica disponível em um momento futuro, de modo a otimizar
o despacho de energia, aumentar a segurança e a competitividade do setor.
Apesar dos inúmeros estudos efetuados no exterior, pouco se avançou nesta
área no Brasil, onde a capacidade eólica instalada vem atingindo patamares
significativos, predominantemente na região Nordeste. Este trabalho se propõe
a desenvolver um modelo de refinamento estatístico para previsão de vento a
curto-prazo para a região Nordeste com o uso de regressões lineares múltiplas
e redes neurais artificiais alimentadas por saídas do modelo de previsão do
tempo Eta, utilizado pelo CPTEC/INPE. A previsão de vento próximo à
superfície é discutida sob aspectos observacionais e de modelagem, onde é
feita também uma ampla avaliação dos possíveis preditores do modelo Eta
para a previsão de ventos sobre o nordeste brasileiro. Para tanto testes de
sensibilidade suportaram o processo de otimização da configuração do modelo
em redes neurais artificiais. Uma metodologia de refinamento estatístico das
previsões numéricas de vento é proposta e seu desempenho é comparado às
saídas originais do modelo Eta e ao uso de regressões lineares múltiplas para
previsões de vento a 50 m e de potência eólica a 80 m. Tanto o refinamento
por regressões lineares múltiplas quanto por redes neurais artificiais se
mostram superiores em relação às saídas do Eta. A técnica de redes neurais
se mostra ligeiramente superior às regressões quando comparada aos valores
observados para 8 estações anemométricas da região. As correlações obtidas
para o vento variam de 0,75 a 0,90 e o RMSE entre 0,93 m/s e 1,39 m/s. Para
a potência eólica o RMSE varia entre 10,3% a 17,2% da ptência disponível,
enquanto o ganho de potência garantida para uma probabilidade de 90% chega
a 35% da potência disponível em relação às previsões do Eta não refinadas.
xi
xii
STATISTICAL DOWNSCALING OF ETA MODEL WIND FORECASTS
APPLIED TO WIND POWER GENERATION AT NORTHEASTERN BRAZIL
ABSTRACT
The installed wind power capacity is increasing significantly worldwide. Due to

wind high variability in space and time, one of the main challenges is to forecast
the available wind power in the time frame from hours to days, in order to
facilitate scheduled maintenance, prevent from extreme wind conditions and
optimize the energy dispatch by electrical managing institutions, increasing wind
energy competitiveness in the energy market. Despite several studies carried
abroad, there are few advances in this subject in Brazil, where the installed
wind power capacity is achieving relevant thresholds, predominantly in the
northeastern region. This study aims to develop a methodology for short-term
wind forecast from the outputs of CPTEC/INPE Eta- numerical weather
predictions, based on multiple linear regressions and artificial neural networks.
It is presented a discussion over the observational and modeling aspects of
near surface wind fields Several Eta derived predictors are evaluated for wind
forecasts over northeastern Brazil. Sensitivity tests are carried out to configure
the statistical model and a methodology is proposed for wind downscaling. Its
performance is compared to Eta raw outputs and to linear regression models for
wind and wind power forecasts at 50 m and 80 m respectively. Both the neural
network and the regression model performed significantly better than the Eta
outputs. The neural network downscaling performed slightly better than the
regression when compared to 8 wind stations from northeastern region. The
correlation coefficients obtained for wind varied between 0,75 and 0,90 and the
RMSE from 0,93 m/s and 1,39 m/s. For wind power estimates the RMSE
remains between 10,3% and 17,2% of the available wind power. The
guaranteed wind power gain achieves up to 35% of the available power for a
90% error probability when compared to Eta outputs.
xiii
xiv
LISTA DE FIGURAS
Pág
Figura 1.1 Evolução da potência eólica instalada mundial na última 1

década
Figura 1.2 Matrizes Energética e Elétrica Brasileiras 2
Figura 1.3 Evolução da Intensidade Energética e Elétrica no Brasil 3
Figura 1.4 GEE emitidos pelas diversas fontes energéticas no Brasil 5
Figura 1.5 Mapa do potencial eólico brasileiro e do sistema 6
interligado nacional SIN
Figura 1.6 Evolução da capacidade eólica instalada no Brasil 8
Figura 1.7 Contribuição da energia eólica na matriz elétrica de cada 9
país ao final de 2010
Figura 2.1 A evolução diária da Camada Limite Atmosférica 16
Figura 2.2 Escalonamento dos fenômenos meteorológicos 17
Figura 2.3 Espectro de freqüências dos processos atmosféricos e 18
‘gap’ espectral
Figura 2.4 Efeitos da estabilidade sobre os perfis de vento na CLS 23
Figura 2.5 Mecanismos de circulação de vale e montanha; ventos 24
anabáticos e ventos catabáticos
Figura 2.6 Escoamento bidimensional sobre montanhas em 25
atmosfera estável
Figura 2.7 Perfis verticais de velocidade ilustrando a aceleração do 26
escoamento sobre topos de montanhas referentes ao
experimento de Askervein
Figura 2.8 Esquema de desenvolvimento de camada limite interna 27
(CLI) na transição entre superfícies com características
distintas.
Figura 2.9 Sobreposição de CLIs na composição do perfil vertical de 27
vento e temperatura em regiões heterogêneas
Figura 2.10 Componentes da circulação de brisa oceânica ou lacustre 29
Figura 3.1 Representação do espaçamento da grade E de Arakawa 31
Figura 3.2 Representação da topografia pela coordenada Eta 32
Figura 3.3 Fluxograma descrevendo as fontes potenciais de erro 40
nos modelos de PNT
Figura 4.1 Modelo de neurônio de McCulloch e Pitts 42
xv
Figura 4.2 Representação de uma rede tipo MLP 43
Figura 4.3 Funções de ativação degrau; linear; sigmoidal: 1) 44
logística; 2) tangente hiperbólica
Figura 4.4 Modelo atual de neurônio perceptron 45
Figura 5.1 Mapa com a localização das torres anemométricas 50
Figura 5.2 Climatologia de precipitação sobre as torres de SJCA e 51
ROTE
Figura 5.3 Ciclo anual do vento a 50 m em Petrolina-PE comparado 52
à capacidade do reservatório da usina hidroelétrica de
Sobradinho – BA
Figura 5.4 Distribuição da precipitação ao longo dos dados 53
anemométricos disponíveis
Figura 5.5 Séries anemométricas e rosa dos ventos para cada torre 53
anemométrica empregada neste estudo
Figura 5.6 Domínio da grade do modelo Eta/PREVENTO e 56
topografia relativa na resolução de 5 km
Figura 6.1 Ondas senoidais introduzidas no conjunto de dados 64
Figura 6.2 Relação entre os valores de Z_0 e erro na determinação 66
da rugosidade onde z_0 (50%) corresponde a mediana
da distribuição. Método adotado consiste na identificação
das posições de mínimo erro
Figura 6.3 Aerogerador de 2,1MW utilizado nas estimativas e sua 75
curva de potência
Figura 7.1 Comparação entre mapas de magnitude do vento a 10m 77
vento a 10m antes e após o processo de recorte,
conversão e assimilação
Figura 7.2 Variáveis suspeitas durante a qualificação dos dados do 78
modelo Eta/PV. Rótulos representam as taxas médias de
falha para cada variável
Figura 7.3 Porcentagem dos dados anemométricos desqualificados 79
por estação para cada nível
Figura 7.4 Fração de dados anemométricos reparados no nível mais 80
elevado e respectivos erros (MAE e BIAS) cometidos
Figura 7.5 Séries temporais de magnitude observada do vento para 80
as estações de PETR (50 m) e PALM (70 m) após
reparos
Figura 7.6 Validação da sincronização entre os dados modelados e 81
observados para todas as estações
xvi
Figura 7.7 Ciclos diários de intensidade e direção do vento ao longo 82
do ano para SJCA e ROTE
Figura 7.8 Valores obtidos para a rugosidade Z_0 ao redor de cada 87
torre em escala logarítmica
Figura 7.9 Correlações máximas obtidas para cada variável e 89
exemplo de limiar adotado para definir os subconjuntos
de preditores para SJCA e correlações máximas obtidas
para ROTE
Figura 7.10 Defasagens de máxima correlação para cada variável em 90
SJCA e ROTE
Figura 7.11 Comparação entre as dispersões obtidas entre o vento 91
observado e o modelado pelo Eta/PV e as saídas da
REGP para o vento a 50 m
Figura 7.12 Comparação entre as distribuições de probabilidade 92
acumulada de RMSE e R e contra uma distribuição
normal padrão para quatro subconjuntos de N preditores
(Npred) da estação de SJCA
Figura 7.13 Valores médios (azul), dispersão de 25%-75% (verde) e 94
extremos (vermelho) para as distribuições de RMSE e R
como função do número de preditores utilizados na
construção do modelo em RNAs para SJCA (a); e ROTE
(b).
Figura 7.14 RMSE em função da razão entre neurônios e preditores 96
para SJCA e ROTE
Figura 7.15 Testes de sensibilidade para cada configuração de RNA 97
para SJCA e ROTE
Figura 7.16 Séries temporais de anomalias escalonadas para SJCA e 100
ROTE
Figura 7.17 Dispersão final obtida entre o vento observado e o 101
modelado pela RNA a 50 m para SJCA e ROTE
Figura 7.18 Dispersão final obtida entre o vento observado e o 101
modelado pelo Eta/PV, REGPe RNA a 50 m para as
demais estações
Figura 7.19 Comparação entre as correlações obtidas entre as 103
anomalias de vento a 50 m para as configurações
RNA_LIT e RNA_INT para todas as estações
Figura 7.20 Comparação entre as correlações R entre vento 103
observado e modelado a 50 m pelo Eta/PV, REGP e RNA
para todas as estações
xvii
Figura 7.21 Comparação entre os RMSE a 50 m pelos modelos 104
Eta/PV, REGP e RNA para todas as estações
Figura 7.22 Comparação entre as séries temporais de Eta/PV, REGP 105
e RNA e o vento observado a 50 m para (a) PETR; (b)
SJCA; (c) TRFO; (d) ROTE; (e) MAGI; (f) GIRP; (g)
AGUB; (h) PALM
Figura 7.23 Comparação entre as séries temporais de potência eólica 117
(kW) dadas pelo Eta/PV, REGP e RNA em relação à
potência teórica observada a 80 m para (a) PETR; (b)
AGUB; (h) PALM
Figura 7.24 Comparação entre os erros absolutos de potência eólica 120
(kW) dadas pelo Eta/PV, REGP e RNA em relação à
potência teórica observada a 80 m para (a) PETR; (b)
AGUB; (h) PALM
Figura 7.25 Histograma da distribuição do erro entre a potência eólica 123
prevista e disponível pelo Eta/PV, REGP e RNA para
cada estação
Figura 7.26 Funções de densidade de probabilidade acumulada da 125
diferença entre a potência eólica prevista e disponível
pelo Eta/PV, REGP e RNA para cada estação
Figura 7.27 MAE obtido para as estimativas de potência eólica por 129
estação
Figura 7.28 RMSE obtido para as estimativas de potência eólica por 129
estação
xviii
LISTA DE TABELAS
Pág
Tabela 2.1 Comprimento de rugosiddade típico para diversos tipos 14

de superfície.
Tabela 5.1 Características das torres anemométricas. 50
Tabela 5.2 Descrição das variáveis Eta/PV. 57
Tabela 6.1 Experimentos referentes às rodadas do modelo Eta/PV. 61
Tabela 6.2 Critérios para o controle de qualidade dos dados 65

anemométricos
Tabela 6.3 Limiares utilizados para os valores de correlação na 68
pré-seleção dos preditores
Tabela 6.4 Testes de sensibilidade realizados sobre a rede neural 72
Tabela 7.1 Número de preditores por subconjunto antes e após 91

REGP
Tabela 7.2 Resultados dos testes de Kolmogorov-Smirnov entre os 94
subconjuntos de preditores adjacentes para SJCA e
ROTE
Tabela 7.3 Resultados dos testes de Kolmogorov-Smirnov para as 97
diferentes configurações (testes de sensibilidade) para
SJCA e ROTE
Tabela 7.4 Testes de sensibilidade aprovados pelo KSTest para 97
SJCA e ROTE.
Tabela 7.5 Resumo dos resultados obtidos pela modelagem por 105
REGP e RNA para cada estação anemométrica
Tabela 7.6 Preditores selecionados para SJCA e respectivos 110
impactos sobre o vento modelado pela RNA
Tabela 7.7 Preditores selecionados para ROTE e respectivos 112
impactos sobre o vento modelado pela RNA. As
defasagens mostradas significam atraso na previsão
quando negativas
Tabela 7.8 Receita adicional por aerogerador devido à 128
comercialização do excedente de energia garantida
xix
xx
LISTA DE SIGLAS E ABREVIATURAS
ANEEL Agência Nacional de Energia Elétrica

BEN Balanço Energético Nacional
CEPEL Centro de Pesquisas de Energia Elétrica / Eletrobras
CHESF Compahia Hidro Elétrica do São Francisco
COP16 16a Conferência das Nações Unidas para Mudanças Climáticas
INPE Instituto Nacional de Pesquisas Espaciais
IPCC Painel Intergovernamental para Mudanças Climáticas
NOAA National Oceanic and Atmospheric Administration
ONS Operador Nacional do Sistema Elétrico
PDE Plano Decenal de Expansão de Energia
PIB Produto Interno Bruto
PROINFA Programa de Incentivo às Fontes Alternativas de Energia Elétrica
SIN Sistema Interligado Nacional
SONDA Sistema de Organização Nacional de Dados Ambientais
OMM Organização Meteorológica Mundial
GRIB Gridded Binary data format
NetCDF Network Common Data Form
GrADS Grid Analysis and Display System
VCAN Vórtice Ciclônico de Altos Níveis
ZCIT Zona de Convergência Intertropical
DOL Distúrbio Ondulatório de Leste
xxi
xxii
LISTA DE SÍMBOLOS
Área, m²

U
Velocidade escalar do vento, m/s
Vetor velocidade do vento, m/s
Densidade do ar, kg/m³

Altura em relação à superfície, m
Aceleração da gravidade, m/s²
Temperatura potencial absoluta, K
Pressão atmosférica local, N/m²
Temperatura absoluta, K
Componente zonal do vento, m/s
Componente meridional do vento, m/s
Componente vertical do vento, m/s

Umidade específica, kg/kg
Coeficiente de potência do aerogerador
Calor específico do ar a pressão constante, J/kgK

∗

Velocidade de fricção, m/s
Constante de Von Karman
Calor latente de vaporização da água, J/kg

Aquecimento diabático, J
xxiii
xxiv
SUMÁRIO
Pág.
1 INTRODUÇÃO ...................................................................................................................... 1
1.1. Motivação ............................................................................................... 1
1.2. A Matriz Energética................................................................................ 2
1.3. A Energia Eólica .................................................................................... 5
1.4. A Previsão de Ventos e a Geração Elétrica ......................................... 9
1.5. Objetivos .............................................................................................. 11
2 A CAMADA LIMITE ATMOSFÉRICA ................................................... 13
2.1. Estrutura vertical ................................................................................. 13
2.1.1.Sub-camada Laminar ou Viscosa ........................................................... 13
2.1.2.Camada Limite Superficial ...................................................................... 13
2.1.3.Camada Limite Convectiva ou de Mistura .............................................. 15
2.1.4.Camada Limite Estável ou Noturna (CLE) .............................................. 15
2.1.5.Zona de Entranhamento (ZE) ................................................................. 15
2.2. Turbulência Atmosférica ..................................................................... 16
2.3. Equacionamento .................................................................................. 19
2.4. Fluxos Verticais e Instabilidade ......................................................... 20
2.5. Teoria da Similaridade e Perfis Verticais ........................................... 21
2.6. Influências Geográficas sobre o Vento.............................................. 21
2.6.1.Circulações de Vale e Montanha ............................................................ 24
2.6.2.Escoamento sobre Montanhas ............................................................... 24
2.6.3.Camada Limite Interna ........................................................................... 26
2.6.4.Circulações de Brisa ............................................................................... 28
3 A PREVISÃO NUMÉRICA DE VENTO EM SUPERFÍCIE .................... 31
3.1. O Modelo Eta ........................................................................................ 31
3.2. A Modelagem do Vento em Superfície ............................................... 33
3.3. Aplicações de Modelagem Numérica do Vento ................................ 34
4 REDES NEURAIS ARTIFICIAIS ........................................................... 41
4.1. Histórico ............................................................................................... 42
4.2. Arquitetura ........................................................................................... 43
4.3. Aplicações ............................................................................................ 45
5 DADOS .................................................................................................. 49
xxv
5.1. Dados Observacionais ........................................................................ 49
5.2. Dados do Modelo Eta/PREVENTO ........................................................ 55
6 METODOLOGIA.................................................................................... 59
6.2. Tratamento dos Dados ........................................................................ 60
6.2.1.Dados do Modelo ................................................................................... 60
6.2.2.Dados Anemométricos ........................................................................... 64
6.2.3.Sincronização dos Dados ....................................................................... 67
6.3. Seleção dos Preditores ....................................................................... 67
6.3.1.Definição dos Subconjuntos por Limiar de Correlação ........................... 68
6.3.2.Regressão Linear Passo-a-Passo .......................................................... 68
6.3.3.Treinamento por Redes Neurais Artificiais ............................................. 69
6.4. Desenvolvimento do Modelo em RNAs ............................................. 70
6.4.1.Definição do Número de Neurônios Ocultos........................................... 70
6.4.2.Configuração dos Testes de Sensibilidade ............................................ 71
6.5. Avaliação dos Modelos Obtidos ......................................................... 73
6.5.1.Desempenho na Previsão de Ventos ..................................................... 73
6.5.2.Desempenho na Previsão de Potência Eólica ........................................ 74
7 RESULTADOS ...................................................................................... 77
7.1. Verificação da Assimilação e do Tratamento dos Dados................. 77
7.2. Climatologia ......................................................................................... 81
7.2.1.Ciclos Diários.......................................................................................... 82
7.2.2.Determinação do Comprimento de Rugosidade ..................................... 87
7.3. Preditores Selecionados ..................................................................... 88
7.4. Neurônios na Camada Oculta ............................................................. 95
7.5. Testes de Sensibilidade ...................................................................... 96
7.6. Avaliação das Previsões ................................................................... 100
7.7. Avaliação dos Pesos dos Preditores ............................................... 108
7.8. Impactos sobre a Potência Eólica Disponível ................................. 116
8 CONCLUSÃO ...................................................................................... 131
9 SUGESTÕES DE TRABALHOS FUTUROS ....................................... 135
REFERÊNCIAS BIBLIOGRÁFICAS ............................................................. 137
APÊNDICE A..................................................................................................146
xxvi
1 INTRODUÇÃO
1.1. Motivação
É notável o avanço alcançado pelos modelos de Previsão Numérica de Tempo

(PNT) nas últimas décadas em todo o mundo. Além da pesquisa extensiva na área
de modelagem atmosférica, a melhor organização dos dados observacionais e o
aumento da capacidade computacional podem ser colocados como fatores
decisivos para este sucesso. Em contrapartida, o progresso tecnológico e o
amadurecimento da sociedade impõem novos desafios à meteorologia,
particularmente com relação à disponibilidade de recursos energéticos. Neste
contexto, a qualidade das previsões de vento próximo à superfície têm se mostrado
um fator determinante para o desenvolvimento da energia eólica em diversas
nações, no momento em que esta se configura como a alternativa mais sólida de
expansão da matriz energética mundial. A Figura 1.1 ilustra o forte crescimento do
setor eólico na última década. O objeto deste trabalho é justamente a previsão de
vento próximo à superfície, sendo esta uma área de atuação da meteorologia
aplicada.
Figura 1.1 – Evolução da potência eólica instalada mundial na última década.

Fonte: Adaptada de GWEC (2010).
1
1.2. A Matriz Energética
A evolução da sociedade, da pré-história à era moderna, sempre esteve ligada a

evolução da demanda dos recursos energéticos. O mundo passa atualmente por um
período de transição, onde o uso predominante de combustíveis fósseis como fonte
energética se mostra insustentável a médio e longo prazo, tornando evidente a
necessidade de diversificação de sua matriz energética. Esta matriz energética é
composta pela soma de todas as formas de energia consumidas por um país,
contabilizando o consumo de carvão mineral e vegetal, derivados do petróleo, gás
natural, lenha, energia hidráulica, solar, eólica, da biomassa, dentre outras. Já a
matriz elétrica contabiliza apenas as fontes energéticas utilizadas para conversão
em eletricidade, conforme ilustra a Figura 1.2.
(a) (b)
Figura 1.2 – Participação das diversas fontes na matriz energética brasileira (a); e
na matriz elétrica brasileira (b); ambos referentes à oferta interna de
energia registrada para o ano de 2010.
Fonte: Empresa de Pesquisa Energética (2011)
A demanda energética está ligada ao crescimento populacional, ao crescimento

econômico e à melhoria da qualidade de vida de uma população, de modo que o
Já foi demonstrado que existe uma relação explícita entre demanda energética
desenvolvimento dos países requer um aumento do consumo de energia per capita.
1.1, onde se define a intensidade energética como a energia necessária para se
e o crescimento do Produto Interno Bruto (PIB) de uma nação, conforme a Equação
produzir uma unidade monetária de PIB (GOLDEMBERG; VILLANUEVA, 2003).
2
= (1.1)
De maneira análoga, pode-se determinar uma intensidade elétrica, associada

exclusivamente à demanda de energia elétrica, conforme ilustra a Figura 1.3. No
Brasil, segundo dados do Balanço Energético Nacional (BEN 2010) e do Plano
Decenal de Expansão de Energia (PDE 2019), a demanda de energia elétrica vêm
crescendo em torno de 5% ao ano e projeções indicam que este ritmo deve ser
mantido nos próximos 10 anos. Estes mesmos dados mostram que tanto a
intensidade energética quanto a elétrica, que estão ligadas à eficiência no uso da
energia, se apresentam praticamente estagnadas no Brasil. Com base nestas
informações fica clara a necessidade de adoção de uma política mais agressiva
quanto à eficiência e uso racional da energia, além de realizar um planejamento
energético confiável por meio da diversificação da matriz energética. Estas ações
podem contribuir de forma efetiva para ambos os aspectos mencionados e
favorecem o desenvolvimento sócio-econômico de regiões do país com grande
potencial para geração de energia renovável. Além de tudo, a menor dependência
em relação à energia hidráulica contribui para a segurança energética nacional.
Interrupções, ou “apagões” ocorridos no passado já demonstraram seu grande
impacto sobre a economia e a sociedade como um todo.
Figura 1.3 – Evolução da Intensidade Energética e Elétrica no Brasil.

Fonte: Empresa de Pesquisa Energética (2011).
3
A expansão da oferta de energia é um assunto delicado, que envolve não somente
o custo de investimento, mas também o custo ambiental de cada fonte o qual é
difícil de ser medido. Fontes provenientes de combustíveis fósseis aumentam a
concentração de gases do efeito estufa (GEE) na atmosfera, principalmente CO₂,
considerado o responsável pelas mudanças climáticas globais de origem antrópica
(IPCC, 2007). Por ser este um assunto estratégico, têm ganhado uma importância
cada vez maior no cenário internacional, originando fóruns de discussão científica e
política como o IPCC (Intergornmental Panel on Climate Change), que constitui um
esforço da comunidade científica internacional no prognóstico de cenários climáticos
futuros e a COP (Conferência das Nações Unidas para Mudanças Climáticas). O
último deles, a COP16 realizada em Cancún, no México, demonstrou que ainda se
está longe de um acordo internacional efetivo para a redução de emissões de GEE.
O Brasil é um país privilegiado sob o aspecto energético, pois seu relevo, hidrografia
e clima tropical permitem um aproveitamento das diversas formas de energia
originárias do Sol, como a hidráulica, a solar, a eólica e da biomassa, sendo estas,
fontes de energia renováveis (PEREIRA; LIMA, 2008). Um conceito amplamente
utilizado para definir energia renovável, a caracteriza como toda fonte onde sua taxa
de renovação natural é maior do que sua taxa de utilização, o que incluí a energia
das marés e geotérmica além das citadas anteriormente.
Atualmente, o Brasil possui uma matriz de geração elétrica relativamente limpa,

sustentada pelas usinas hidráulicas (74,9%), no entanto ao considerar sua matriz
energética total, ainda se consome uma grande quantidade de energia de origem
fóssil (53,3%), proveniente principalmente no setor de transportes, conforme
ilustrado anteriormente pela Figura 1.2. Por fim, cabe ressaltar que apesar da matriz
energética relativamente renovável, o Brasil está entre os países que mais emitem
CO₂ no mundo, devido à alta taxa de desmatamento associadas às queimadas na
região amazônica, responsáveis por aproximadamente 76% das emissões no país
conforme ilustra a Figura 1.4. (MCTI, 2011).
4
Outros
Transportes Setores
9% 8%
Indústria
7%
Queimadas
76%
Figura 1.4 – GEE emitidos pelas diversas fontes energéticas no Brasil.

Brasil
Fonte: MCT (2009
2009).
Apesar do enorme potencial hidroelétrico brasileiro,, estimado em 260GW,

260GW
(ELETROBRAS, 2003), as grandes bacias das regiões Centro-Sul
Ce Sul e Nordeste do
Brasil foram exploradas extensivamente no último século,
século o que faz com que
grandes
andes usinas hidroelétricas sejam factíveis apenas no Centro-Norte
Centro do país.
Nesta região o custo ambiental é elevado pela imensa área alagada, que
geralmente engloba florestas, áreas de preservação, terras indígenas e povoadas.
Isto aliado à baixa densidade
densidade de potência destas usinas, eleva o custo e o risco
destes empreendimentos, ao ponto de se tornar necessário uma forte contrapartida
de investimento público e uma flexibilização incondicional da legislação ambiental
para garantir a sua viabilidade. Dado este
este cenário, a expansão energética brasileira
na última década foi suportada por fontes de impacto ambiental gradativamente
maior, seja por tais mega-usinas
mega usinas hidroelétricas na região norte, seja por usinas
termoelétricas a gás natural, que apesar de mais eficientes
ef que o carvão ou óleo
diesel ainda emitem uma quantidade considerável de gases do efeito estufa durante
sua operação.
1.3. A Energia Eólica
O Brasil possui um potencial eólico estimado de 143GW (AMARANTE

(AMARANTE ET AL.,
2001;[A]), o qual deve ser revisado em breve para valores ainda maiores ao se
considerar o aumento do
o porte médio dos aerogeradores e a possibilidade de
5
exploração do potencial offshore (PIMENTA ET AL. 2008). Ainda, projeções de
cenários climáticos futuros indicam uma alta probabilidade de aumento deste
potencial no decorrer deste século (PES, 2010), o que coloca o Brasil em uma
posição privilegiada no cenário mundial de recursos eólicos. Tal abundância se
verifica principalmente nas regiões Nordeste e Sul, com predominância das regiões
costeiras, o que se configura como uma vantagem para a transmissão elétrica, dada
a maior densidade de linhas de transmissão e proximidade de grandes centros
urbanos, que aliado à densa malha viária local repercute favoravelmente no custo
dos projetos eólicos. A Figura 1.5 ilustra esta relação entre o potencial eólico e o
Sistema Interligado Nacional (SIN)
(a) (b)
Figura 1.5 – Mapa do potencial eólico brasileiro (a); e do sistema interligado

nacional SIN (b),. ilustrando a presença de linhas de transmissão nas
proximidades das regiões de maior potencial eólico.
Fonte: Amarante et al.( 2001).
No Nordeste brasileiro ocorre ainda uma característica vantajosa que é a

complementaridade hidro-eólica, uma vez que as vazões dos rios e o regime de
ventos possuem um ciclo sazonal alternado, garantindo uma maior autonomia de
geração da região e reduzindo as perdas por transmissão de energia a longas
distâncias (AMARANTE ET AL., 2001;[B]) que representa em média 5,5 kW/km. A
disponibilidade destas duas fontes energéticas aliado ao despacho complementar
das usinas termoelétricas permite o ajuste à demanda de eletricidade, dando maior
6
segurança à geração elétrica na região. Este gerenciamento só é possível devido ao
Sistema Interligado Nacional (SIN), uma malha de transmissão elétrica que permite
o remanejo de cargas entre suas subestações, o que é feito pelo Operador Nacional
do Sistema elétrico (ONS), uma empresa de gestão autônoma criada pelo governo
especificamente para este fim.
Neste contexto o governo federal instituiu, a partir de 2004, o PROINFA, que tem
por objetivo aumentar em 3.300 MW a participação de usinas eólicas, pequenas
centrais hidroelétricas (PCHs) e de biomassa na matriz de geração elétrica
brasileira, o que corresponderia a cerca de 3% da capacidade de geração total
instalada no país. Conforme ilustra a Figura 1.6, baseada em dados da ANEEL, este
programa marcou o início da expansão da energia eólica no Brasil e seus resultados
justificam a perspectiva de um forte crescimento no setor nos próximos anos,
acompanhando a tendência mundial (Dutra e Szklo, 2007). Além da energia
contratada pelo PROINFA, outros empreendimentos eólicos têm sido contratados
em leilões de energia organizados regularmente pelo governo, os quais somados à
capacidade eólica atual alcançarão cerca de 4000 MW instalados até o final de 2013
(MARTINS; PEREIRA, 2011).
No leilão realizado em Julho de 2011, cerca de 48% de toda a energia contratada

foram de plantas eólicas, enquanto 26% correspondem ao gás natural, 14% à
biomassa e 12% à hídrica. O fato mais surpreendente foi que preço médio do MWh
eólico ficou abaixo das termelétricas a gás, algo inédito no mercado de energia
mundial, o que comprova mais uma vez a maturidade e competitividade desta
tecnologia para geração de eletricidade.
7
Figura 1.6 – Evolução da capacidade eólica instalada no Brasil.
Conforme demonstrado anteriormente, têm-se observado uma inserção crescente

da geração eólio-elétrica na matriz energética mundial, e estudos indicam que este
crescimento continuará nos próximos anos (WWEA, 2009; GWEC,2010). Isto se
justifica principalmente pelo estágio de maturidade tecnológica alcançado pela
indústria eólica, que possibilitou a redução dos custos da eletricidade produzida,
aliado à pressão internacional para mitigar as possíveis causas do aquecimento
global. Um fato interessante a ser ressaltado ocorreu na Europa entre 2008 e 2009,
quando, pelo segundo ano consecutivo, a capacidade de geração eólio-elétrica
instalada anualmente superou todas as outras fontes de energia elétrica, chegando
a 39% da total, enquanto o gás natural representou 26% e a fotovoltaica 16%
(EWEA,2009).
Por outro lado a geração eólica apresenta uma variabilidade elevada associada à
dinâmica da atmosfera, tornando necessário que se desenvolva métodos mais
confiáveis para a previsão de curto prazo da potência disponível. Estas ferramentas
além de permitirem um melhor gerenciamento do sistema elétrico interligado,
auxiliam também na manutenção programada dos aerogeradores, reduzindo os
riscos de danos por ventos extremos e tornando a energia eólica mais competitiva
no mercado de eletricidade mundial (CAMPBELL, 2007; LERNER ET AL. 2009;
MONTEIRO ET AL., 2009). Devido a esta incerteza associada à determinação da
potência eólica disponível, existe uma discussão na comunidade internacional sobre
os limites seguros para a penetração da energia eólica na matriz energética de um
8
país (LANDBERG ET AL. 2003). Algumas economias, como a Dinamarca, Portugal
e Espanha já experimentam uma inserção próxima dos 20%, o que torna o
aprimoramento das ferramentas de previsão um fator determinante para a
segurança energética destas nações.
25
Capacidade eólica na matriz elétrica
21
20 18
16
15
9
(%)
10
5
2 1,2 0,94
0
Figura 1.7 – Contribuição da energia eólica na matriz elétrica de cada país ao final
de 2010 com base em dados da EWEA (2009) e ANEEL.
1.4. A Previsão de Ventos e a Geração Elétrica
A previsão de potência eólica disponível depende basicamente da previsão do vento

à altura do aerogerador, situado entre 50 e 120 m acima da superfície, uma vez que
as incertezas no processo de geração em si são menores e bem conhecidas.
é proporcional ao cubo da velocidade do vento, conforme a Equação 1.2

Desprezando-se as perdas relativas à instalação da usina, tem-se que esta potência
(BURTON ET AL., 2001), evidenciado o impacto da qualidade das previsões de

vento na energia final gerada (TSIKALAKIS ET AL., 2008).
1
= ∙ ∙ ∙ ∙ $
2
(1.2)
Onde é a potência instantânea, em Watts, e é o coeficiente adimensional de

potência do aerogerador que é função também da velocidade do vento.
Uma descrição mais detalhada da dinâmica atmosférica associada ao

aproveitamento da energia eólica pode ser encontrada em Martins et al. (2008).
9
O vento tem implicações também na capacidade de despacho de energia elétrica
pelas linhas de transmissão, pois é um dos principais parâmetros meteorológicos
que controlam a capacidade de dispersão do calor gerado devido ao aquecimento
destas linhas pelo Efeito Joule. Adicionalmente, previsões de vento melhores podem
trazer outros benefícios à sociedade, principalmente para aeroportos, atividades
esportivas e no lazer em geral. Além disso, dada a perspectiva de que a capacidade
eólio-elétrica no Brasil instalada chegue a 3% do total por volta de 2014,
representantes da EPE (Empresa de Planejamento Energético) e da ONS
(Operador Nacional do Sistema Elétrico), órgãos ligados ao governo, já se
pronunciaram em algumas oportunidades quanto à necessidade de uma ferramenta
nacional confiável de previsão de potência eólica disponível a curto-prazo (LOPES,
2010).
No refinamento das previsões de vento duas abordagens são possíveis: a

modelagem física (ou dinâmica) em microescala (LANGE, 2006), ou modelagens
estatísticas diversas (FAN ET AL., 2009). Comumente opta-se por uma combinação
entre ambos para um melhor desempenho das previsões (ERNST ET AL., 2007;
LANGE, 2008).
O refinamento através de modelagem física de microescala se faz necessário

principalmente em terrenos complexos e, apesar de apresentar como vantagem a
capacidade de generalização, seu custo computacional é alto para um modelo
operacional, além de seu desempenho não dispensar o posterior ajuste por modelos
estatísticos.
A técnica de modelagem por Redes Neurais Artificiais (RNAs) se caracteriza como

um método estatístico, e dado sua elevada capacidade de representação não-linear,
vêm sendo frequentemente empregada na otimização de previsões de tempo e na
área de geociências em geral. Por esta razão optou-se por uma abordagem
estatística, uma vez que esta apresenta a perspectiva de maiores ganhos de
acurácia em relação à abordagem dinâmica para um ajuste local. Para uma
discussão mais aprofundada sobre as vantagens de cada método de previsão
existem alguns trabalhos que tratam o tema em detalhes (WU E HONG, 2007;
THOR, 2008; MONTEIRO et al., 2009;).
10
1.5. Objetivos
Este trabalho se propõe a desenvolver uma metodologia para o refinamento da

previsão de curto prazo do vento próximo à superfície baseada em Redes Neurais
Artificiais (RNAs), a partir de saídas operacionais do modelo de PNT Eta do CPTEC.
O intuito é que estas previsões sejam adequadas ao clima e território brasileiro,
especificamente ao Nordeste, permitindo assim que as usinas eólicas adquiram
maior competitividade e que o sistema elétrico seja gerenciado de forma otimizada.
A metodologia empregada neste estudo consiste no uso de uma técnica de ajuste

estatístico local, neste caso RNAs, para a redução do erro entre as saídas de vento
observadas e estimadas pelo modelo Eta para diversas estações no Nordeste
brasileiro. A altura do solo adotada para estas comparações foi de 50 m, por ser
este o nível mais comum das medições realizadas pelas torres anemométricas.
Foram selecionadas variáveis do modelo mais correlacionadas ao erro das
previsões de vento, as quais são utilizadas como entrada para a RNA. Após o
período de treinamento, que consiste de um processo iterativo de ajuste dos
coeficientes do modelo, os resultados obtidos demonstram reconhecer algum
padrão nos erros das previsões, fornecendo saídas otimizadas de vento no nível de
50 m. Por se tratar de um ajuste local, isto foi feito para diversas estações, onde foi
avaliado também o desempenho, e a capacidade de generalização de cada modelo
obtido.
Esta dissertação foi estruturada de modo que no Capítulo 2 é feita uma revisão
sobre a Camada Limite Atmosférica (CLA), abordando suas características,
turbulência, dificuldades relacionadas à previsão de variáveis em seu interior,
avaliando os efeitos do relevo e rugosidade sobre a dinâmica dos ventos. Em
seguida, no Capítulo 3 é detalhado o modelo de PNT Eta do CPTEC, assim como
suas parametrizações e princípios incorporados para a previsão do vento na
camada limite superficial. Posteriormente, no Capítulo 4 , são introduzidos os
conceitos sobre Redes Neurais Artificiais, enfatizando suas potencialidades, e
aplicabilidade para este estudo. No Capítulo 5 são descritos os dados utilizados. O
capítulo 6 descreve a metodologia empregada, englobando a assimilação,
processamento e qualificação dos dados; a seleção de preditores; a configuração e
11
treinamento da rede neural; e o método de avaliação das previsões. Já no Capítulo
7 são apresentados os resultados obtidos, abordando os testes efetuados na
definição da arquitetura do modelo e a validação dos resultados para cada uma das
estações. Dada a interdisciplinaridade do tema proposto, a revisão bibliográfica foi
distribuída ao longo de cada capítulo objetivando uma melhor contextualização dos
trabalhos citados.
12
2 A CAMADA LIMITE ATMOSFÉRICA
A troposfera consiste da porção inferior da nossa atmosfera onde ocorrem os

principais fenômenos meteorológicos. Pode-se distinguir, no entanto uma camada
inferior da troposfera onde os efeitos da superfície são sentidos em uma escala de
tempo de horas, à qual dá-se o nome de Camada Limite Atmosférica (CLA) (STULL,
1988). Sua espessura varia de centenas de metros a quase 2 km, dependendo das
condições de tempo e da região. O seu limite superior é definido pela presença de
uma região de inversão térmica, denominada “zona de entranhamento”,
extremamente estável, que dificulta o transporte de grandezas escalares como
umidade, calor e poluentes para a camada superior denominada atmosfera livre.
Uma característica importante da CLA é a presença de turbulência, responsável
pelo rápido fluxo vertical destes escalares em seu interior e também por dificultar
bastante a modelagem física desta camada.
2.1. Estrutura vertical

A CLA possui uma estrutura vertical que se modifica ao longo do dia devido ao ciclo
diário de aquecimento e resfriamento da superfície, sendo que esta pode ser
dividida da seguinte maneira:
2.1.1. Sub-camada Laminar ou Viscosa
Caracterizada pela ausência de turbulência e pela grande tensão de cisalhamento

devido a viscosidade molecular. Sua espessura é da ordem de milímetros e
depende apenas da velocidade do vento e do tipo de superfície
2.1.2. Camada Limite Superficial
A Camada Limite Superficial (CLS) é caracterizada pelo forte gradiente vertical de

vento, umidade e temperatura, o que faz com que os fluxos de calor, momento e
umidade sejam também maiores (ARYA, 2001). No entanto estes fluxos podem ser
considerados aproximadamente constantes, variando em até 10% para toda a
camada (STULL, 1988). Sua espessura dependerá da estabilidade atmosférica, da
intensidade do vento e da superfície em que se desenvolve, podendo chegar a
volores em torno de 200 m. É nesta a porção da CLA onde efeito da fricção com a
13
superfície e a presença de obstáculos exerce maior influência sobre o escoamento.
De maneira geral, seu perfil de velocidade pode ser aproximado por uma função
logarítmica conforme descrito pela Equação 2.1, tendo em mente que este ajuste é
valido para uma atmosfera neutra e varia ao longo do dia em função de alterações
no escoamento e nos fluxos.
∗

= ∙ &' ( )
%
(2.1)
Onde é aconstante de Von-Karman, ∗

a velocidade de fricção e % o
comprimento de rugosidade de momento.
O comprimento de rugosidade % é uma medida da turbulência gerada pelos

elementos de rugosidade da superfície, e na prática representa a altura até a qual o
vento deve ser considerado nulo. Em tese é também uma maneira de se medir a
capacidade de uma determinada superfície de absorver momento, sendo bastante
utilizada em formulações para CLS. Seu valor pode ser estimado empiricamente
através de um ajuste de curvas pela Equação 2.1, one a partir de dois níveis de
medição determina-se o ponto de intersecção com o eixo vertcal, denominado % .
Tabela 2.1: Comprimento de rugosiddade típico para diversos tipos de superfície.
Tipo de Superfície Comprimento de Rugosidade (m)

Gelo 10-5
Água 10-4 – 10-3
neve ondulada 0,002
grama baixa 0,005
grama alta 0,02
plantações de cereais 0,05
Arbustos 0,2
Florestas 1–2
subúrbios da cidade 0,5 – 2
Fonte: Adaptada de Foken (2008).
14
2.1.3. Camada Limite Convectiva ou de Mistura
A CLC consiste na região onde a turbulência (predominantemente térmica) é

responsável por misturar bem os escalares como temperatura e umidade, por isso
também chamada de Camada de Mistura. Sua formação ocorre tipicamente durante
o dia, quando o aquecimento da superfície faz com que a turbulência térmica
alcance níveis cada vez mais elevados, erodindo gradativamente a Camada Limite
Estável (Noturna) remanescente da noite anterior. Alcançando a camada residual,
seu desenvolvimente se acelera atingindo sua máxima altura em torno das 17:00
local, conforme ilustra a Figura 2.1. Sua espessura depende principalmente do fluxo
de calor sensível, variando de centenas de metros a cerca de 2 km. A camada
residual é simplesmente o que restou da própria CLC do dia anterior, uma vez que a
Camada Limite Noturna geralmente não atinge o topo da CLA. Existem casos onde
a CLC pode se formar a noite devido à turbulência mecânica gerada por jatos
noturnos.
2.1.4. Camada Limite Estável ou Noturna (CLE)
Esta camada se desenvolve durante a noite a partir do resfriamento radiativo da

atmosfera e da superfície, que resfria a camada de ar mais próxima dando origem a
uma camada bastante estável que atinge seu máximo desenvolvimento no fim da
madrugada. Seu limite inferior pode ser considerado a superfície, pois se confunde
com a CLS noturna e sua altura é bastante variável, oscilando entre 100 m e 500 m.
2.1.5. Zona de Entranhamento (ZE)
Região bastante estável de interface entre a CLC e a atmosfera livre, demarcando o

limite superior da CLA. Seu topo é definido como a altura alcançada pela corrente
da corrente termal mais intensa, (conhecido como 'overshoot') e por isso varia
bastante em função da intensidade das termais em cada região. Sua espessura
varia entre 50m e 200m.
15
A Figura 2.1 ilustra o desenvolvimento típico de algumas destas camadas ao longo
de um dia.
Figura 2.1 – A evolução diária da Camada Limite Atmosférica.

Fonte: Adaptada de Stull (1988).
2.2. Turbulência Atmosférica
As escalas de tempo e espaço são utilizadas para caracterizar os fenômenos

estudados na meteorologia. Há algum tempo foi proposta uma divisão entre os
diversos processos em função de suas escalas características conforme ilustrado na
Figura 2.2, onde há um escalonamento dos fenômenos até o limite da turbulência
isotrópica (ORLANSKI, 1975). Pode-se notar que para que um fenômeno seja
definido como de microescala, sua dinâmica deve ser regida por processos internos
e restritos à CLA, os quais possuem uma escala de tempo inferior a 1 hora, e
comprimento geralmente inferior a 2 km.
16
Figura 2.2 – Escalonamento dos fenômenos meteorológicos..
Fonte: Orlanski (1975).
A turbulência consiste de um processo inerente à CLA, onde a heterogeneidade do

terreno associada à modulação das forçantes externas, como vento e radiação
solar, dão origem a uma sobreposição de movimentos oscilatórios denominados
vórtices. Estes vórtices representam a busca da atmosfera por uma condição de
equilíbrio, a qual nunca é alcançada dada a rapidez com que as mudanças ocorrem
dentro da CLA.
A turbulência pode ter origem mecânica, térmica ou inercial. A primeira é originada

pelo cisalhamento do vento, enquanto a segunda é devido à instabilidade
atmosférica. Já a inercial não é uma fonte de turbulência propriamente dita mas
pode ser considerada como consequência das duas primeiras, uma vez que vórtices
maiores dão origem a vórtices menores em suas bordas, e assim sucessivamente
até o limite da turbulência molecular, que é dissipada na forma de calor, conforme
observado por Van der Hoven, (1957). Este processo é conhecido como “efeito
cascata”, conforme ilustrado pela Figura 2.3.
17
Figura 2.3 – Espectro de freqüências dos processos atmosféricos e ‘gap’ espectral.
Fonte: Van der Hoven,(1957).
Nota-se na Figura 2.3 a existência de uma lacuna entre os períodos de 10 minutos a

10 horas, o que evidencia que há uma separação de escalas entre os fenômenos
atmosféricos, sendo a porção à esquerda caracterizada pelo escoamento médio e a
da direita tratada como turbulência. Por este motivo medidas anemométricas que
visam o escoamento médio devem ser armazenadas em médias de no mínimo 10
minutos, para filtrar os efeitos da turbulência, a qual é comumente armazenada na
forma de variância da intensidade do vento neste período. Define-se então o
conceito de intensidade de turbulência como sendo a razão entre a variância da
+, conforme a Equação 2.2.
velocidade do vento * e seu valor médio
+
= */ (2.2)
Uma vez que o processo de dissipação de energia pela cascata de turbulência é

contínuo, para que esta se mantenha é necessário que energia turbulenta seja
gerada também continuamente, de modo que a variação energia cinética turbulenta
(TKE) pode ser descrita pela Equação 2.3.
- ./-/ = 0 + − 3 + 4 (2.3)
Onde 5 é termo de geração de turbulência pelo cisalhamento do vento, 6 a geração

pela instabilidade térmica, 7 a dissipação pela viscosidade molecular e 89 o
transporte de turbulência entre as regiões (ARYA, 2001).
18
2.3. Equacionamento
Devido à grande oscilação temporal dos escalares no interior da CLA por causa da
turbulência, na sua modelagem matemática adota-se a técnica de decomposição de
médias :; e turbulentas :` conforme a Equação 2.4, onde :

Reynolds, que consiste na divisão das variáveis meteorológicas em componentes
é um escalar
qualquer. Admite-se que as componentes médias obedecem às equações primitivas
que governam os movimentos do fluido, compostas pela Equação da continuidade
(2.5), Equação de conservação de movimento (Navier-Stokes) (2.6), ambas em sua
forma vetorial, e pela conservação de energia (2.7). Outra aproximação adotada é a
de Boussinesq, que consiste em considerar a densidade constante em todas as
equações com exceção do termo de flutuação, permitindo assim a convecção. Ao
final, a componente turbulenta introduz termos não-lineares e não-desprezíveis no
interior da CLA, fazendo com que o número de variáveis seja maior do que o
número de equações e impedindo uma solução explícita para o sistema (Holton,
2004). Este é conhecido como “problema do não-fechamento da turbulência” e é um
dos problemas físicos ainda não compreendidos completamente pela ciência.
Posteriormente será descrito como os modelos numéricos tratam para encontrar
uma solução aproximada destas equações dentro da CLA, ou seja, fazer o
“fechamento da turbulência”.
: = :; + :` (2.4)
A
+ ∇ ∙ CρU
E = 0
A/
(2.5)

3 1
× U
= −2Ω − ∇p + g +
F?
3/ ρ
(2.6)
Dlnθ J
cK =
Dt T
(2.7)
Onde Ω
representa a velocidade angular de rotação da terra,
F? representa a força
de atrito com superfície, J representa o aquecimento diabático e o calor específico
do ar a pressão constante
19
2.4. Fluxos Verticais e Instabilidade
Dentre as componentes turbulentas originadas pela decomposição de Reynolds, as

mais importantes no estudo da dinâmica da CLA são as covariâncias, ou fluxos
turbulentos. Estes podem ser divididos em fluxo de calor sensível RS , de calor
latente RT e de momento RU , conforme as equações 2.8, 2.9 e 2.10,
respectivamente (FOKEN, 2008). Estes fluxos indicam de que forma se dá a
transporte vertical de momento horizontal e calor e estão relacionados às
características da CLA como altura, instabilidade e turbulência.
RS = ;;;;;;
′′ (2.8)
;;;;;;
RT = ′′ (2.9)
V%
RU = = = ^C;;;;;;
′′E + C;;;;;;
′′E
∗] ] ]

(2.10)
Onde é o calor latente da água, ∗

a velocidade de fricção, V% a tensão de
cisalhamento do escoamento, e as componentes turbulentas ′ da temperatura
potencial, ′ da umidade específica e ′, ′, ′ das componentes cartesianas do
vento em x, y e z respectivamente.
Além destes, a estabilidade X da CLS exerce forte influência nos perfis verticais de
temperatura e momento, como será visto a seguir, e pode ser determinada
conforme a Equação 2.11.
A Y
X = ( )( )
A_
(2.11)
Y
Onde Yé a temperatura potencial virtual, Y a temperatura virtual e a aceleração

da gravidade.
Existem alguns métodos para se avaliar a turbulência de um fluído estabelecendo

relações para o número de Richardson (Z[) ou para número de Reynolds (Z\). O
primeiro é dado pela Equação 2.12 e representa uma relação entre a turbulência
térmica e a mecânica, de modo que o escoamento pode ser considerado turbulento
20
para Z[ < Z[abídeaf , onde Z[abídeaf = 0,25. Já o número de Reynolds dado pela
Equação 2.13 representa uma medida entre a força de inércia e a força viscosa em
fluido, sendo que o escoamento pode ser considerado turbulento para Z\ >
Z\abídeaf . O valor de Z\abídeaf para a atmosfera varia entre 10$ e 10j em função do
relevo e rugosidade local.
;;;;;;
o p q q
Z[ =
A;
;;;;;;
q q o p
A_
(2.12)
∙3
Z\ =
r
(2.13)
Onde μ é a viscosidade cinemática e D corresponde ao comprimento característico

para a camada limite atmosferica, ′ é a flutuação da velocidade horizontal, ′ é a
flutuação da velocidade vertical, ′ é a flutuação da temperatura potencial e
2.5. Teoria da Similaridade e Perfis Verticais
Na busca por funções aplicáveis aos perfis verticais de momento e temperatura, foi
desenvolvida a teoria da similaridade de Monin e Obhukov (1954), que consiste de
uma maneira de tratar de forma adimensional algumas propriedades do
escoamento. Desenvolvida a partir do Teorema Pi de Buckingham de análise
dimensional, tal teoria é válida apenas para a CLS e pressupõe que os fluxos
verticais são constantes ao longo desta camada. Seu intuito é determinar os perfis
verticais para qualquer local e qualquer condição da CLS a partir dos valores dos
fluxos de superfície. No entanto verificou-se que esta apresenta problemas para
ventos fracos ou alta rugosidade superficial, sendo portanto não-universal (FOKEN,
2006).
Sua aplicação consiste em obter o comprimento de Obhukov (l) dado pela Equação
2.14, tal que o coeficiente adimensional para o gradiente de momentum U , e o
coeficiente adimensional para o gradiente térmico S , sejam funções mn e m] de
_/l apenas, conforme as Equações 2.15 e 2.16. Tais funções são obtidas
21
empiricamente (parametrizadas), e quando integradas fornecem expressões para o
perfil vertical de temperatura potencial e momento, enquanto o módulo de l fornece
a espessura da camada onde os efeitos de fricção e cisalhamento são importantes.
Temos ainda, que seu comprimento é uma medida da estabilidade, sendo que l > 0
indica estabilidade e l < 0 indica instabilidade.
$
l=−
∗

o p( )

(2.14)
%
_ A ̅
U = ( ) = mn C_tlE
∗ A_
(2.15)
_ A;
S = ( ) = m] C_tlE
A_
(2.16)
∗
Sendo
;;;;;;
q q
∗ =− (2.17)
∗
Onde, T’ é a flutuação da temperaturade, % a temperatura média, ′ é a flutuação

da velocidade vertical, k é a constante de Von Karman e o calor específico a
pressão constante.
A estabilidade pode ser avaliada também pelo parâmetro ζ, descrito na Equação

2.18, presente na teoria da similaridade para a CLS, a qual classifica a condição de
estabilidade atmosférica (MONIN E YAGLOM, 1971).
ζ = ZtL (2.18)
A análise do sinal de ζ, indica que:
a) ζ = 0, a camada é neutra;
b) ζ < 0, a camada é instável;
22
c) ζ > 0, a camada é estável;
Esta teoria é largamente empregada em modelos meteorológicos de mesoescala

para a determinação dos perfis de temperatura e vento próximos à superfície. A
Figura 2.4 ilustra a variação dos perfis verticais de vento em função da estabilidade
da atmosfera na CLS.
Figura 2.4 – Efeitos da estabilidade sobre os perfis de vento na CLS.

Fonte: Adaptado de Wallace e Hobbs (2001)
2.6. Influências Geográficas sobre o Vento
As teorias tradicionalmente empregadas na modelagem da camada limite

atmosférica pressupõem que a superfície terrestre seja razoavelmente homogênea
e que mudanças ocorram de maneira gradativa. Tais condições podem ser
encontradas eventualmente em regiões extensas e pouco acidentadas como
planícies ou sobre porções do oceano, mas não é o caso de grande parte das
regiões de estudo (ARYA, 2001). Fatores como orografia complexa, variações
abruptas de rugosidade, regiões costeiras, grandes lagos e centros urbanos são
comuns e alteram significativamente as características da camada limite, originando
inclusive circulações específicas do local e exigindo que seus efeitos sejam tratados
de maneira mais detalhada.
23
2.6.1. Circulações de Vale e Montanha
Dentre os efeitos induzidos pela orografia estão as circulações de vale e montanha.

Durante o dia quando as encostas da montanha são aquecidas pelo Sol, o ar
ascende ao longo das encostas até as cristas, originando o vento catabático. Por
vezes, se há umidade suficiente observa-se a formação de cumulus ao longo da
crista da montanha. Pela noite ocorre o inverso, o ar resfriado radiativamente tende
a descer pelas encostas e se acumular nos fundos dos vales, gerando uma inversão
mais intensa que pode ocasionar neblina. Em vales mais abruptos esta circulação
das encostas pode ter um efeito adicional, ocasionando ventos subindo ao longo do
vale pelo dia (ventos de vale) e descendo pela noite, denominados (ventos de
montanha). Tais mecanismos estão ilustrados na Figura 2.5.
Figura 2.5 – Mecanismos de circulação de vale e montanha; ventos anabáticos (a) e

ventos catabáticos (b).
Fonte: Adaptado de Wallace e Hobbs (2006).
2.6.2. Escoamento sobre Montanhas
Quando a intensidade dos ventos é maior devido à forçantes sinóticas, tais

circulações locais são sobrepostas fazendo-se imperceptíveis. Nestes casos a
orografia passa a agir como uma forçante dinâmica sobre os ventos, podendo
induzir diversos fenômenos a jusante das montanhas como ondas de gravidade,
esteiras de vórtices, nuvens lenticulares e tempestades de vento. Estes fenômenos
24
podem ter efeito por uma distância de até dez vezes a altura da montanha (ARYA,
2001) e são fortemente influenciados pela intensidade do vento e pela estabilidade
atmosférica. Nesse sentido, um parâmetro largamente utilizado na caracterização
de escoamentos sobre montanhas é número de Froude x4, que consiste na
relação entre as forças de inércia e de gravidade, conforme Eq.2.19.

x4 =
y∙0
(2.19)
Onde y é a freqüência de Brunt-Vaisäla, a velocidade do escoamento e 0 a

escala vertical da montanha.
Conforme ilustra a Figura 2.6, para x4 < 1 têm-se um escoamento pouco turbulento
a jusante da montanha, enquanto para x4 > 1 pode-se observar efeitos mais
intensos como esteiras de vórtices, recirculações e tempestades de vento. No caso
de x4 = 1 pode haver ressonância entre a freqüência de Brunt-Vaisäla e a
freqüência induzida pela montanha, causando uma amplificação da onda de
montanha a jusante com a presença de rotores, grandes oscilações na intensidade
do vento e possivelmente nuvens lenticulares.
Figura 2.6 – Escoamento bidimensional sobre montanhas em atmosfera estável.
vórtices. Para grandes inclinações e x4 > 1 (a); para inclinações

Mecanismos de descolamento e formação de ondas de montanha e
pequenas e x4 < 1 (b); para inclinações moderadas e x4 > 1 (c);

para inclinações pequenas e x4 < 1 (d); para inversão próxima do
topo (ZE) e x4 < 1 (e); para inversão próxima do topo (ZE) e x4 > 1
(f).
Fonte: Arya, (2001); adaptado de Hunt e Simpson (1982).
25
Outro efeito causado pelo relevo sobre os perfis verticais de vento é a aceleração do
escoamento que ocorre no topo de morros e em canais devido ao efeito Bernoulli.
Tal aceleração já foi medida em diversas campanhas, sendo função do formato da
montanha, da estabilidade e da intensidade do vento a montante como ilustra a
Figura 2.7, referente ao experimento de Askervein (TEUNISSEN ET AL., 1987). Em
seu máximo, no topo, a velocidade pode chegar até a três vezes o valor do
escoamento livre (ARYA, 2001). Cabe ressaltar, entretanto que o efeito de uma
cadeia de montanhas pode ser completamente distinto, uma vez que após algum
tempo os perfis verticais podem adquirir uma nova configuração onde as
acelerações deixam de ser significativas (STULL, 1988).
Figura 2.7 – Perfis verticais de velocidade ilustrando a aceleração do escoamento

sobre topos de montanhas referentes ao experimento de Askervein.
Fonte: Adaptado de Stull (1988)
2.6.3. Camada Limite Interna
As mudanças abruptas de rugosidade e temperatura exercem forte influência sobre

os perfis verticais e demandam um maior detalhamento. Como a superfície terrestre
não é homogênea, na medida em que o vento passa por regiões com características
distintas, seu perfil de velocidade e temperatura adquire gradativamente as
propriedades da superfície adjacente. Este processo culmina com o
desenvolvimento de uma Camada Limite Interna (CLI), que cresce na medida em
que o escoamento se afasta da borda de transição, como ilustra a Figura 2.8.
26
Figura 2.8 – Esquema de desenvolvimento de camada limite interna (CLI) na
transição entre superfícies com características distintas.
Fonte: Adaptada de Arya (2001).
No caso de uma variação na rugosidade, o perfil logarítmico do vento passa a ser

então uma composição entre os perfis anterior e posterior à transição, onde a altura
_e , referente à CLI, passa a ser uma função não só da distância da borda, mas
também das rugosidades anterior e posterior e da estabilidade da atmosfera
(STULL, 1988). Como estas mudanças podem ser freqüentes em algumas regiões,
o perfil vertical pode se tornar complexo, formado por uma sobreposição de CLIs,
conforme ilustrado na Figura 2.9.
Figura 2.9 – Sobreposição de CLIs na composição do perfil vertical de vento e

temperatura em regiões heterogêneas.
Fonte: Stull (1988).
Têm-se ainda que a transição de uma região de baixa rugosidade para regiões de
vegetação mais alta e densa causa uma absorção ainda maior de momento devido
27
à circulação abaixo do dossel. Este efeito pode ser contabilizado pelo deslocamento
- do plano aerodinâmico efetivo na equação do perfil logarítmico do vento (Eq.
2.20), de modo a compensar o momento absorvido abaixo do dossel.
∗
−-
= ∙ &' ( )
%
(2.20)
Onde as variáveis foram definidas anteriormente na Eq. 2.1
De maneira análoga, quando o escoamento passa por uma fronteira de transição

brusca de temperatura, inicia-se uma CLI térmica, que desenvolve-se escoamento
abaixo alterando a estabilidade da atmosfera. Um caso típico se dá quando há
advecção continental fria sobre lagos ou oceanos mais quentes. Nestes casos
forma-se uma camada interna instável (convectiva) que pode causar tempestades
severas a jusante. Outro exemplo interessante ocorre nas bordas das grandes
cidades, onde as diferenças de albedo, de disponibilidade de umidade e de geração
de calor e poluentes entre a zona rural e urbana ocasionam as Ilhas de Calor
(ARYA, 2001). O escoamento ao adentrar a cidade tende a se tornar mais instável,
intensificando as tempestades no local. O calor armazenado pela cidade é tão
grande que pode sustentar uma camada limite convectiva inclusive durante a noite
(STULL, 1988).
2.6.4. Circulações de Brisa
O fenômeno que possivelmente apresenta o efeito mais substancial nos ventos de

uma região são as circulações de brisa, marítima ou lacustre. Em regiões tropicais,
ou no verão em latitudes médias, a intensa insolação diária gera grandes contrastes
de temperatura entre as superfícies aquáticas e terrestres, causado basicamente
pela baixa capacidade térmica do solo. Durante o dia a superfície terrestre tende a
ficar mais quente que a água, aquecendo a camada de ar imediatamente acima, o
que causa a inclinação das isóbaras próximas à superfície. Este gradiente de
pressão produz uma circulação local da água para o continente em baixos níveis,
denominada brisa marítima (ou lacustre), que é compensada por um movimento em
sentido oposto em níveis mais elevados. Durante a noite a dinâmica se inverte
originando a brisa terrestre. Na brisa marítima, por se tratar de uma advecção mais
fria sobre uma região quente, podem ocorrer frentes de brisa, similares às frentes
28
frias, como mostra a Figura 2.10. Nestes casos se há umidade suficiente sobre o
continente e instabilidade atmosférica, estas frentes evoluem para tempestades
(WALLACE & HOBBS, 2006).
Figuras 2.10 – Componentes da circulação de brisa oceânica ou lacustre.

Fonte: Adaptado de Wallace e Hobbs (2006)
Apesar de conhecidos, alguns dos efeitos geográficos acima descritos são de difícil
modelagem, pois não são compreendidos totalmente. Dependem por vezes de uma
combinação de fatores como velocidade e direção do vento, cisalhamento vertical,
estabilidade, rugosidade e forma do relevo, além de se apresentarem sobrepostos e
possivelmente ocorrerem em escalas inferiores à capacidade de representação dos
modelos de PNT. Todavia, é inegável que uma melhor compreensão de seus efeitos
pode ser útil na interpretação de dados observacionais assim como na discussão de
possíveis desvios em relação a resultados esperados.
29
30
3 A PREVISÃO NUMÉRICA DE VENTO EM SUPERFÍCIE
3.1. O Modelo Eta
O modelo de previsão numérica de tempo Eta é um modelo de área limitada

desenvolvido inicialmente na Iugoslávia, na Universidade de Belgrado na década de
1970, entrando em operação posteriormente nos Estados Unidos, no National
Center for Enviromental Prediction – NCEP na década de 1980 após algumas
modificações (BLACK, 1994).
Este modelo utiliza grade horizontal do tipo E de Arakawa (ARAKAWA E LAMB,

1977), conforme descrito na Figura 3.1, onde v representa os pontos onde são
calculadas as componentes do vento horizontal e h são os pontos de massa, onde
se calcula as demais variáveis do modelo como temperatura, umidade, velocidade
vertical, dentre outras. A resolução horizontal é dada pela distância d entre dois
pontos h ou v. Esta grade utiliza coordenadas esféricas, tendo o centro de seu
domínio transladado para o plano do equador para minimizar a convergência entre
os meridianos em grandes latitudes.
Figura 3.1 – Representação do espaçamento da grade E de Arakawa.

Fonte: Chou (1996); adaptada de Arakawa e Lamb (1977)
A principal característica deste modelo é a introdução da coordenada vertical eta η

definida pela Equação 3.1, em substituição à coordenada sigma (σ) visando a
redução dos erros nas derivadas horizontais sobre relevos montanhosos
(MESSINGER, 1984).
31
p − p{ p?} z|}~ − p{
η=( )∙
p|}~ − p{ p?} 0 − p{
(3.1)
Nesta equação, p é a pressão local, p|}~ a pressão na superfície, p?} a pressão de

referência para uma determinada altura e p{ a pressão no topo do domínio.
Desta maneira o terreno passa a ser representado sob a forma de degraus

discretos, onde o topo coincide com a interface do relevo. O nível de cada degrau é
determinado pelo método das silhuetas, descrito em mais detalhes por Rozante,
(2001), que pondera a área da grade na determinação de um nível representativo,
que é então ajustado ao nível vertical discreto mais próximo. Deste modo os pontos
de massa, temperatura e vento horizontal são dispostos no meio das camadas
enquanto a velocidade vertical, a energia cinética turbulenta e o geopotencial são
localizados nas bases da camada. A Figura 3.2 ilustra essa discretização.
Figura 3.2 – Representação da topografia pela coordenada Eta

Fonte: Adaptada de Ničković et al. (1998).
O modelo Eta vêm sendo utilizado operacionalmente pelo CPTEC desde 1996, com
o intuito de fornecer previsões de curto prazo para o Brasil. Seu domínio engloba
praticamente toda a América do Sul e atualmente as condições iniciais são
fornecidas pelas análises do GFS/NOAA e de contorno pelo Modelo de Circulação
Global do CPTEC T213L42 (CPTEC, 2010). A temperatura da superfície do mar
assimilada é a observada na semana anterior ao processamento, considerada
constante no intervalo de integração. A umidade do solo é obtida a partir da
climatologia anual. (CHOU, 1996). Suas variáveis prognósticas são temperatura do
32
ar, componentes zonal e meridional do vento, umidade específica, pressão à
superfície, energia cinética turbulenta e hidrometeoros. A partir destas são
derivadas as demais variáveis de saída do modelo.
Desde sua operacionalização o modelo Eta/CPTEC vêm sendo modificado para

uma melhor performance nas previsões sobre o Brasil. Sua resolução horizontal que
era inicialmente de 40 km passou para 20 km em 2006 e deve ser melhorada em
breve. Atualmente o modelo roda duas vezes ao dia às 00UTC e 12UTC onde são
disponibilizadas saídas a cada 6 horas para um horizonte de previsão de 7 dias.
Estas saídas constituem um total de 58 variáveis sendo 9 dispostas em 19 níveis de
pressão.
3.2. A Modelagem do Vento em Superfície
Com relação ao pacote físico, o Eta atualmente incorpora esquema de superfície

Noah como 13 classes de vegetação e 4 camadas no solo (MITCHELL, 2001) e
fechamento de turbulência de Mellor-Yamada 2.5 (MELLOR E YAMADA, 1982). Na
camada superficial é adotada a teoria de similaridade de Monin-Obukhov (MONIN E
OBUKHOV, 1954) com funções de estabilidade de Paulson (PAULSON, 1970). Esta
aproximação consiste de um conjunto de expressões analíticas que especificam o
gradiente adimensional da velocidade do vento e o gradiente de temperatura
potencial a partir das funções de estabilidade para o momento U e para o calor
S . Estas funções foram definidas conforme as Equações 3.2 e 3.3 (SUN E
MAHRT, 1995) onde os coeficientes de troca de momento e calor são definidos a
partir das Equações 3.5 e 3.6. É importante ressaltar que considera-se a existência
de dois comprimentos de rugosidade os quais representam a absorção de momento
%U e calor %S pela superfície (Equação 3.7) (CHEN et al., 1997)
−5ζ , 0<ζ<1
.
U =
1+ 1 + ]
2&' ( ) + &' − 2 tann + , −5<ζ<0
(3.2)
2 2 2
−5ζ , 0<ζ<1
.
S =
1 + ]
2&' , −5 < ζ < 0
(3.3)
2
33
x = 1 − γζ onde γ = 16
nt
j (3.4)
]t
Z
=
]
&' o p − U o p + U o %U p
(3.5)
%U l l
]t
Z
S =
%S
&' o p − U o l p + U o %U
l p ∙ &' o p − S o l p + S o l p
(3.6)
%U %S
3S
%S =
∗
(3.7)
Onde:

3S =
,
(3.8)
7 é o coeficiente de difusão térmica molecular, é a condutividade térmica do ar

seco e , é o calor especifico do ar seco a pressão constante, z é altura de
referência, R é a razão entre os coeficientes de momento e calor no limite neutro e
L é o comprimento de Monin-Obukhov definido pela Equação 2.14.
3.3. Aplicações de Modelagem Numérica do Vento
No Brasil, pode-se destacar o trabalho de Lyra (2008), que efetuou testes de

sensibilidade no modelo Eta/CPTEC com intuito de se avaliar o ganho de acurácia
das previsões de vento. Foram avaliadas mudanças na resoluções horizontal e
vertical do modelo, na relação dos comprimentos de rugosidade de calor e
momento, nas funções de estabilidade de Paulson, no esquema de parametrização
da CLS, além da influência da altura da CLA e da substituição da cobertura de solo
existente. Os melhores resultados levaram a erro médio (ME) de -0,98 m/s, e erro
quadrático médio (RMSE) de 2,08 m/s e coeficientes de correlação de 0,79 a 10 m
do solo. Os resultados mostraram pequena sensibilidade aos parâmetros alterados
com exceção da altura da CLA, que gerou diferença significativa entre os ventos no
oceano e no continente. A baixa resolução das informações de temperatura da
superfície do mar e de umidade pode ter limitado a sensibilidade dos experimentos.
34
Utilizando um modelo diferente, o RAMS, De Maria et al., (2008) também realizou
testes de sensibilidade para previsões de vento na costa do Ceará. Seus resultados
mostraram ganhos para a resolução horizontal de 1km e fechamento de turbulência
de Smagorinsky, onde a comparação com medidas de velocidade a 10 m levou a
ME em torno de -1,6 m/s, RMSE de 2,03 m/s e coeficientes de correlação de até
0,86.
Previsões de vento a 50m com o modelo WRF foram feitas para a Romênia por Dica
et. al (2009) utilizando uma grade de 3,3 km. A comparação entre as previsões e as
observações para 9 estações levaram a RMSE entre 1,87 m/s e 2,23 m/s.
Lazic et al. (2009) utilizou um refinamento com grades de 3,5 km para avaliação das
previsões de vento do modelo Eta sobre uma ilha da Suécia com resolução de três
horas. Para uma série de quatro anos de dados onde apenas o verão foi
considerado, as comparações com as observações levaram a ME de 0,48 m/s,
RMSE de 1,38 m/s e coeficientes de correlação de 0,79 a 10m do solo.
Também utilizando uma versão do modelo Eta, além do modelo RAMS, Louka et al.
(2006) realizou previsões de vento de alta resolução sobre a ilha de Creta, na
Grécia. Após tratar as saídas utilizando um filtro de Kalman obteve RMSE em torno
de 2,04 m/s. O autor comenta que o aumento da resolução além de 6 km nem
sempre leva a uma melhora nas previsões.
3.4. Limitações da Modelagem Numérica do Vento
Os modelos de PNT, apesar de todo o avanço alcançado nos últimos trinta anos,
ainda estão sujeitos a diversas limitações, as quais possuem origens distintas. O
uso adequado das previsões geradas demanda a compreensão destas limitações,
possibilitando inferir prováveis fontes de erro e avaliar a incerteza associada a seus
resultados. A seguir serão discutidas algumas das principais simplificações e
pressupostos embutidos na formulação dos modelos, com o intuito de enriquecer a
discussão dos resultados deste trabalho.
A primeira etapa e talvez a mais relevante com respeito à introdução de erros na

modelagem é a determinação da condição inicial. Isto é feito através de um
processo de assimilação de dados, o qual consiste de um método de diagnóstico
35
dos campos iniciais a partir de uma rede de observações, que inclui estações de
superfície, sondagens, dados de aeronaves e de sensoriamento remoto por
satélites. No entanto, além dos dados serem insuficientes para cobrir toda a
variabilidade espacial da atmosfera, tais observações apresentam erros inerentes às
medições (sistemáticos e aleatórios), o que faz com que existam desvios mesmo
nos campos de grande escala. Os métodos de assimilação têm por objetivo a
remoção de erros sistemáticos e a redução do impacto dos erros aleatórios sobre as
previsões do modelo, mas dada a dinâmica não-linear da atmosfera os erros
tendem a se amplificar com o tempo, impondo um limite de previsibilidade
determinística aos modelos que atualmente está em torno de 2 semanas
(WALLACE; HOBBS, 2006).
Da mesma forma, como os modelos de mesoescala geralmente possuem área

limitada, é necessário que se forneça condições de contorno ao longo das
integrações. Estas condições são fornecidas por modelos globais, que estão
sujeitos aos mesmos erros citados anteriormente, além de poderem eventualmente
induzir erros, uma vez que as equações diagnósticas podem diferir entre o modelo
global e o de mesoescala. Para contornar este problema a inicialização dos modelos
adota métodos para reduzir desvios entre os condições de contorno e os campos
diagnosticados internamente o que inclui técnicas de relaxação e ‘nudging’.
Os movimentos convectivos na atmosfera sempre se colocaram como um desafio

particular para a modelagem numérica, pois as análises de escala podem diferir
bastante do escoamento médio nestas regiões. Nestes casos, torna-se conveniente
adotar aproximações específicas na equação da continuidade (Eq.2.5) para cada
fenômeno modelado, o que, em movimentos convectivos consiste na separação
entre convecção rasa e convecção profunda.
Para a convecção profunda, que é o caso mais geral, admite-se que: i) a

profundidade das circulações atmosféricas possuem escala vertical próxima da
escala de variação de densidade na atmosfera ≅ 8 ; ii) a advecção e
divergência local de massa estão em equilíbrio e não causam variações
significativas de densidade; iii) a velocidade de grupo das ondas são da mesma
ordem que a dos escoamentos atmosféricos. Estes requisitos têm como
conseqüência básica a eliminação das ondas sonoras como possíveis soluções,
36
aumentando a estabilidade dos métodos numéricos de integração. Tal abordagem é
também conhecida como aproximação anelástica (PIELKE, 2001)
Na convecção rasa, mais condições são necessárias, dentre elas: iv) a escala
vertical de variações de densidade dentro da CLA deve ser bem menor que a escala
de variação de densidade na atmosfera l ≪ ; v) as perturbações de
densidade, temperatura e pressão são muito menores que seus valores médios. vi)
a atmosfera local deve ser, em média, estaticamente estável; vii) os movimentos
verticais devem ser limitados pelo termo de flutuação; (Mahrt, 1986). Esta
aproximação ignora não apenas as ondas sonoras, mas também as variações
espaciais de densidade, sendo também chamada de aproximação incompressível.
Com relação à equação de conservação da energia termodinâmica (Eq. 2.7), uma

análise de escala não é possível devido à complexidade dos termos fonte de
aquecimento J, fruto de processos diabáticos e radiativos, que são normalmente
parametrizados nos modelos (PIELKE, 2001).
Já na equação de conservação do movimento vertical, possivelmente a mais

delicada das aproximações consiste em desprezar o termo de aceleração, de forma
que a distribuição de pressão na vertical seja dada pelo equilíbrio hidrostático. Esta
formulação, apesar de eficaz para movimentos de escala sinótica, se degrada na
medida em que os fenômenos de interesse possuem uma menor escala de
circulação l . Pode-se estimar que uma condição razoável para sua validade é
dada por l ≤ , ou seja, pela análise de escala, para fenômenos com escala
inferior a 8 km a aproximação não-hidrostática passa a ser mais adequada (Pielke,
2001). Considerando que o espaçamento de grade do modelo deve ser pelo menos
a metade da escala da circulação de interesse, isto corresponderia a grades
inferiores a 4 km. Este limite é bastante controverso e depende também de outros
fatores. Alguns resultados sugerem que a aproximação hidrostática se degrada na
medida em que: a instabilidade aumenta, os fluxos verticais aumentam; e o vento se
intensifica (PIELKE, 2001).
Outra aproximação comum em modelos meteorológicos consiste em considerar que

a perturbação na densidade local é muito pequena quando comparada ao seu valor
médio q ⁄̅ ≪ 1. Com isto é possível desprezar este termo nas componentes
37
inerciais da equação de conservação do movimento vertical e mantê-lo apenas no
termo de flutuação, o que é conhecido como aproximação de Boussinesq. Tal
abordagem pressupõe que o escoamento é incompressível e não-divergente no
plano horizontal, portanto as variações de densidade são conseqüência apenas das
perturbações de temperatura e pressão, conforme a equação dos gases ideais. Ou
seja, um pré-requisito para a validade desta aproximação é que as condições para
convecção rasa sejam satisfeitas (STULL, 1988).
No equacionamento da conservação do movimento horizontal, poucas

simplificações adicionais podem ser feitas. Uma delas consiste em desprezar a
advecção vertical de escalares pela velocidade vertical média
(ascendência/subsidência). Apesar de esta velocidade vertical ser pelo menos uma
ordem de grandeza inferior ao vento horizontal, os gradientes verticais são mais
intensos, o que faz com que os termos possuam aproximadamente a mesma ordem
de grandeza. Nos fluxos horizontais a simplificação mais comum consiste em adotar
homogeneidade horizontal, desprezando a advecção por fluxos turbulentos, que se
torna mais significativa com o aumento da resolução espacial dos modelos (STULL,
1988).
Conforme observado anteriormente, o sistema de equações da dinâmica

atmosférica (Eq. 2.5 - Eq.2.7) não possui solução explícita e apresenta mais
incógnitas do que equações, tornando-se indeterminado, o que demanda a adoção
de aproximações para algumas variáveis. Estas aproximações, por representarem
fenômenos físicos, podem ser obtidas como funções empíricas de outras variáveis,
ao que se dá o nome de parametrização. Esta técnica se faz necessárias porque os
fenômenos abordados são muito complexos para serem equacionados, e/ou porque
ocorrem numa escala de tempo e espaço inferior à resolução do modelo. Dentre as
variáveis comumente parametrizadas estão o aquecimento diabático e o
aquecimento radiativo, na equação da energia termodinâmica, e os fluxos
turbulentos de momento e temperatura nas equações de conservação do
movimento. Tais parametrizações possuem uma escala espacial e temporal de
validade para a qual foram desenvolvidas, portanto é de se esperar que na medida
em que a resolução espacial aumenta, e conseqüentemente o intervalo de
38
integração diminui, a variância das grandezas sub-grade aumente, o que
gradativamente reduz a acurácia das parametrizações.
Na CLS, que é a porção de atmosfera de maior interesse para a previsão de ventos,

a parametrização adotada foi tratada em detalhes no item 3.2 deste capítulo e está
sujeita à degradação por fatores como ventos fracos, topografia complexa ou alta
rugosidade (FOKEN, 2006), além dos já citados anteriormente. Outras grandezas
diretamente relacionadas à dinâmica da CLA e que são parametrizadas nos
modelos de PNT são: a altura da CLC, a altura da CLE, os fluxos verticais de calor e
movimento na zona de entranhamento e a altura da camada limite interna.
Conforme exposto acima, a CLA é porção da atmosfera mais sensível às
parametrizações, as quais possuem uma complexidade considerável dada a grande
diversidade de características do conjunto superfície – atmosfera. Efeitos não-
lineares são comuns entre estas variáveis, o que faz com que todas as
parametrizações disponíveis atualmente nos modelos de PNT considerem
homogeneidade horizontal na escala sub-grade. Esta simplificação talvez seja a
principal fonte de erro nas grandezas próximas à superfície e mostra que esta é
uma área onde ainda há muito a se avançar nas pesquisas (PIELKE, 2001).
Por fim, devido a restrições inerentes aos métodos numéricos de integração

empregados nos modelos de PNT, os termos de advecção, gradiente de pressão e
difusão horizontal só podem ser bem representados para escalas superiores a
quatro vezes o espaçamento de grade do modelo. Esta deve ser também a escala
espacial mínima de validade das parametrizações embutidas nos modelos, caso
contrário a solução numérica pode introduzir erros significativos (PIELKE, 2001).
Particularmente em relação ao modelo Eta, alguns estudos de caso indicam que o
formato de degrau adotado para representação do relevo induz erros consideráveis
no vento a baixos níveis a jusante de montanhas. Comparações com modelos que
utilizam coordenada sigma (fiel ao relevo) suportam esta hipótese. Isto ocorre
porque o Eta gera um descolamento fictício do fluxo após a montanha, e ainda falha
em reproduzir a intensidade das ondas induzidas pela mesma. Foi mostrado que
esta deficiência está presente já em grades de 32 km de resolução e tende a se
amplificar na medida em que a grade é refinada (GALLUS, 2000).
39
Avaliando em conjunto as possíveis fontes de erro citadas acima, pode-se ter uma
idéia melhor das limitações dos modelos de PNT. A magnitude aproximada de cada
uma das incertezas é de difícil quantificação, pois depende de uma série de fatores
como resolução do modelo, fenômenos de interesse e aspectos geográficos da
região, o que demanda testes que sensibilidade sejam efetuados para cada caso.
Para auxiliar na visualização destas potenciais fontes de erro a Figura 33 ilustra-os
em um fluxograma aproximado do processo de modelagem.
Figura 3.3 – Fluxograma descrevendo as fontes potenciais de erro nos modelos de

PNT.
40
4 REDES NEURAIS ARTIFICIAIS
As Redes Neurais Artificiais (RNAs) surgiram como uma ferramenta para se extrair
relações complexas de um conjunto de variáveis, possibilitando ir além das
regressões lineares múltiplas. Trata-se de uma técnica de computação não-
algorítmica capaz de modelar ou reconhecer padrões a partir de um conjunto de
dados apresentados, possuindo inclusive capacidade de generalização para
domínios até então desconhecidos (BRAGA, 1998).
Em resumo, tal método pode ser compreendido como um caso particular de

regressão não-linear, sendo que sua aplicação segue uma metodologia onde as
variáveis são organizadas e combinadas obedecendo um padrão pré-estabelecido
de redes, conhecido como redes neurais. Posteriormente um processo iterativo
ajusta os coeficientes desta rede, de forma a minimizar uma determinada função de
custo, geralmente associada ao erro do modelo. A este processo dá-se o nome de
treinamento. Ao final, o modelo obtido é uma função do valor inicial dos coeficientes
e do algoritmo adotado para o treinamento, existindo portanto um grau de
aleatoriedade que permite, dependendo da complexidade do fenômeno, que se
chegue a soluções distintas para um mesmo problema.
Se corretamente empregada, esta técnica possui a capacidade de representar

fenômenos físicos complexos e por isso ultimamente vêm sendo largamente
utilizada nas geociências, propiciando grandes avanços na área de modelagem
(MENDES; MARENGO, 2009).
Do ponto de vista de sua arquitetura, as RNAs são compostas por um conjunto de

nodos ou neurônios dispostos em camadas, os quais aplicam funções matemáticas
geralmente não-lineares sobre os dados de entrada. Estas entradas são
ponderadas por pesos, os quais são ajustados de modo a minimizar o erro cometido
pela rede no cálculo do resultado final. Seu desenvolvimento passa
necessariamente por uma fase de treinamento ou aprendizagem e outra de
validação, podendo ser considerado neste sentido uma técnica de ajuste estatístico.
Vários fatores influenciam no desempenho da RNA dentre estes a seleção das
entradas, o tipo de neurônio, o tipo de função de ativação, o número de camadas e
do tipo de algoritmo de treinamento seriam os mais importantes. Testes com
41
diferentes configurações são geralmente empregados para a definição da melhor
arquitetura para um determinado problema (HAYKIN, 1994).
4.1. Histórico
O conceito de redes neurais artificiais surgiu através de McCulloch e Pitts (1943),

onde foi descrito um modelo simples de neurônio com n entradas e ajustadas por
pesos ¡e onde o neurônio computa a soma das entradas e ¡e e compara a um valor
limiar θ para avaliar se a sinapse é ou não ativada, conforme Figura 4.1. Sua saída
era, portanto, binária e este primeiro modelo apresentou diversas restrições em sua
utilização. Posteriormente vieram os trabalhos de Hebb (1949), demonstrando a
capacidade de adaptação das redes neurais e Rosenblatt (1958) que introduziu o
modelo de neurônio perceptron de uma camada, dotado de pesos ajustáveis além
de um algoritmo de treinamento, os quais tiveram grande contribuição para o
progresso desta ciência.
Figura 4.1 – Modelo de neurônio de McCulloch e Pitts.

Fonte: McCulloch e Pitts (1943).
O estudo publicado por Minsky e Papert (1969) teve grande repercussão no meio
científico, servindo como fator desestimulante na evolução das redes neurais. Eles
demonstraram as limitações associadas ao modelo de perceptrons dando ênfase à
incapacidade de se obter soluções para um espaço amostral onde as classes não
são linearmente separáveis. Somente a partir de meados da década de 1980 com
os trabalhos de Hopfield (1982) e Rumelhart et al. (1986), demonstrando as
aplicações das RNAs na área da física e com o desenvolvimento do algoritmo
“backpropagation” é que as pesquisas foram retomadas consistentemente, sendo
hoje empregada nos mais diversos campos da ciência.
42
4.2. Arquitetura
Conforme mencionado anteriormente, a definição da arquitetura da RNA afeta

substancialmente seu desempenho, pois restringe o tipo de problema que pode ser
tratado pela rede. Segundo Cybenko (1989), a capacidade de solucionar problemas
não linearmente separáveis por uma rede de perceptrons só é possível através da
utilização de pelo menos uma camada intermediária ou oculta, permitindo a
aproximação de qualquer função contínua. Com duas ou mais camadas ocultas é
possível aproximar qualquer função. Por este motivo será abordado com mais
ênfase as redes do tipo Multi-Layer Perceptrons – MLP uma vez que esta é a
arquitetura mais empregada na resolução de problemas físicos, inclusive na
meteorologia (Mendes e Marengo 2009, Guarnieiri, 2006; Martins et al., 2011). A
Figura 4.2 ilustra uma rede MLP com uma camada oculta.
Figura 4.2 – Representação de uma rede tipo MLP.
As redes neurais podem possuir retroalimentação, ou seja, sua saída é utilizada

como entrada para a própria rede, sendo estas denominadas recorrentes. As redes
que não possuem este mecanismo são denominadas não-recorrentes. Rede
recorrentes são indicadas quando há a necessidade de processamento temporal
entre as variáveis de entrada.
A função de ativação representa o tipo de comparação que é feito com as entradas

do neurônio para se determinar sua saída. No caso do neurônio de McCulloch e
Pitts foi utilizada a função degrau, onde a saída é binária dependendo do valor das
entradas. Entretanto existem outros tipos de funções passíveis de ser
implementadas nos neurônios, como ilustra a Figura 4.3.
43
Figura 4.3 – Funções de ativação; a) degrau; b) linear; c) sigmoidal: 1) logística; 2)
tangente hiperbólica.
Fonte: Braga, (1998)
As funções sigmoidais são as mais utilizadas em redes do tipo MLP em razão do

uso da técnica de treinamento tipo “backpropagation” proposta por Rumelhart et al.
(1986) na qual o ajuste dos pesos se dá pelo gradiente descendente de erro. Para
utilização deste algoritmo, é necessário o uso de funções de ativação contínuas,
diferenciáveis e de preferência não-decrescentes e não-lineares para permitir que
as camadas ocultas interpretem as não-linearidades na rede (BRAGA, 1998).
Dentre as funções sigmoidais mais utilizadas pode-se destacar a Função Logística e
a Função Tangente Hiperbólica, descritas pelas Equações 4.1 e 4.2,
respectivamente.
1
mC ¢ E =
1 + \ C−£ ¢ E
(4.1)
1 − \ C− ¢ E
mC ¢ E = tanh o p =
¢
2 1 + \ C− ¢ E
(4.2)
Os neurônios que constituem uma rede MLP atualmente possuem uma arquitetura
que incorpora as principais funcionalidades desenvolvidas, podendo gerar qualquer
saída linear, conforme ilustra a Figura 4.4. Sua saída y é definida pela Equação 4.3,
onde φ é a função de ativação, u é a somatório dos pesos ponderados por cada
sinapse e ¥¢ é definido como o limiar, ou viés do neurônio. A soma da saída da
função de ativação com o viés define o nível de atividade interna do neurônio ¢, que
é dado pela diferença – ¥¢ .
44
Figura 4.4 – Modelo atual de neurônio perceptron.
Fonte: Adaptado de Haykin (2001).
§¢ = m ¢ (4.3)
Onde ¢ é dado por ¢ = ∑U

e©n e¢ e + ¥¢ (4.4)
Por fim, a topologia de uma MLP precisa ser definida de uma forma que otimize o
aprendizado e o desempenho da rede. Muitas camadas ou muitos neurônios em
cada camada aumentam a flexibilidade da rede, ou seja, esta têm maior capacidade
de representar as variações das informações que alimentam a rede (dados de
entrada). Uma rede muito flexível além de aumentar o custo computacional, passa a
modelar o próprio ruído contido nos dados, correndo o risco de perder sua
capacidade de generalização e “decorar” as saídas, o que é caracterizado como
“overfitting”, ou super-ajuste. Por outro lado uma rede com uma topologia pobre,
apesar de mais facilmente treinada pode apresentar-se rígida demais para simular
os processos a que se propõe. Este problema é conhecido na literatura como
“dilema do viés e da variância” (GEMAN et al., 1992) e envolve a obtenção do
melhor compromisso estas duas opções.
4.3. Aplicações
Dadas as potencialidades da utilização de RNAs para modelagem de processos

físicos, têm se observado um aumento no número de trabalhos na área de
45
geociências empregando esta técnica. Mendes e Marengo (2009) utilizaram uma
rede tipo MLP para o refinamento das saídas de precipitação de modelos climáticos
do IPCC sobre a região amazônica, obtendo resultados bem superiores em relação
a modelos autoregressivos. Já com relação à previsão de curto prazo Guarnieri
(2006) comparou RNAs e regressões múltiplas para estimativas de radiação solar a
partir do modelo Eta. Seus resultados demonstraram que há um ganho significativo
em relação às saídas do modelo, mas a perfomance das regressões e da RNA
foram similares. Uma justificativa seria de que os processos físicos relacionados à
determinação da radiação não apresentariam grandes não-linearidades que
justificassem um melhor desempenho das RNAs.
No campo de estimativas de vento em superfície existe uma expectativa de que a

capacidade de representar processos não-lineares das RNAs seja determinante,
uma vez que estes exercem forte influência em fenômenos micrometeorológicos. No
Brasil, Dalmaz (2007) utilizou RNAs no refinamento de previsões de vento para
algumas estações no estado de Santa Catarina, onde obteve RMSE entre 0,7 a 2,2
m/s. O fato de ter utilizado como previsores apenas vento e temperatura com
resolução temporal de 6 horas do modelo Eta/CPTEC 40x40km, pode ter limitado o
desempenho da RNA.
Utilizando apenas séries temporais de vento e potência de um aerogerador

instalado em Olinda, Aquino et. al, (2009) desenvolveu um modelo de previsão
baseado na decomposição das séries por transformada de ondaletas, onde as
componentes espectrais foram utilizadas como entrada para uma rede neural. As
previsões para um horizonte de 24 horas indicaram um erro médio absoluto de
27,6% para o vento e de 16,9% da potência eólica em relação à capacidade
instalada. Nesta mesma linha, a partir apenas de séries temporais de vento, Ferreira
et. al (2008), utilizou um novo tipo de rede neural recorrente chamada Echo State
Network (ESN), para realizar previsões de vento para duas estações anemométricas
do nordeste brasileiro. Seus resultados se mostraram promissores e apontaram um
erro médio absoluto (MAE) de 0,71 m/s e 0,57 m/s, para Belo Jardim e Olinda
respectivamente, em um horizonte de 24 horas.
Ainda com relação às estimativas de vento, no exterior existem diversos trabalhos

publicados utilizando RNAs, muitos dos quais se tornaram pacotes comerciais para
utilização na indústria (Monteiro et al., 2009). Dentre os artigos científicos pode-se
46
citar Sanz et al., (2008) que acoplou uma rede MLP às saídas do modelo MM5 e
obteve erro médio absoluto (MAE) de 1,80 m/s na velocidade do vento. Ramirez-
Rosado (2009) comparou dois modelos de previsão de potência eólica de curto-
prazo baseados em redes tipo MLP acopladas a saídas de modelos meteorológicos,
onde ambos tiveram desempenho parecido chegando a RMSE da ordem de 16% da
potência disponível num horizonte de 24 a 48 horas. Há também trabalhos que
utilizaram outros tipos de RNAs como Sideratos e Hatziargyriou, (2007) que
utilizaram Funções de Base Radiais (RBF) a partir de saídas do modelo
meteorológico HIRLAM para prever a potência eólica disponível para uma
determinada usina. Seu modelo foi subdividido em três classes de velocidade de
vento e os resultados levaram a RMSE de 17% e MAE de 12% da potência eólica
disponível para um horizonte de 24 a 48 horas.
Guenard et al., (2007), apresentou os resultado de um grande projeto de

cooperação entre instituições européias para desenvolvimento de uma plataforma
para previsão de curto-prazo de potência eólica chamado ANEMOS. Esta
plataforma utiliza uma combinação entre modelos físicos e estatísticos baseados em
redes neurais para gerar suas previsões. Os resultados apresentados mostraram
um RMSE normalizado de 12% a 20% da potência total instalada para cada
aerogerador para um horizonte de 12 a 36 h.
Outra abordagem utilizando redes neurais foi descrita por Cali et al., (2006). Em seu
trabalho foram definidos como preditores a temperatura, umidade, pressão,
intensidade e direção do vento em superfície, fornecidas por um ensemble de
previsões numéricas com 75 membros. Foi utilizada uma RNA do tipo MLP com três
camadas ocultas para cada membro, onde suas saídas foram posteriormente
combinadas por outra RNA com uma camada oculta para finalmente gerar as
previsões de potência eólica. As comparações para duas fazendas eólicas na
Alemanha levaram um RMSE normalizado médio de 11,1% da capacidade total
instalada em cada fazenda.
Também há registro de aplicações distintas na previsão de ventos, conforme Sailor

et. al (2000), que utilizou redes neurais para o refinamento de modelos climáticos
globais, obtendo valores de tendências futuras do vento para diversas estações no
Texas, EUA.
47
Existem outros estudos similares, mas que fogem ao escopo deste trabalho por
apresentar uma relação fraca ou pouco esclarecida com os modelos
meteorológicos. Em geral as referências aqui colocadas utilizam poucas variáveis
destes modelos como entrada para as RNAs, o que indica haver um potencial ainda
a ser explorado nesta área.
Comparado à modelagem física tradicional, as RNAs apresentam como vantagem o

custo computacional extremamente baixo depois de treinada a rede, enquanto as
desvantagens seriam a especificidade, ou, baixa capacidade de generalização e a
necessidade de se obter séries de dados observados para a geração do modelo. O
conhecimento sobre os processos que influenciam o regime de ventos na CLA é
essencial na aplicação desta técnica, uma vez que a correta seleção dos preditores
é fundamental para uma boa performance do modelo (Mori e Umezawa, 2009).
48
5 DADOS
No desenvolvimento deste trabalho foram utilizados dois tipos de dados:

observacionais e de modelo. Os primeiros são oriundos de medições em torres
anemométricas e os outros a partir dos pontos de grade do modelo
Eta/PREVENTO, doravante denominado Eta/PV. O projeto PREVENTO foi fruto de
uma cooperação entre CEPEL e o CPTEC/INPE, financiado pela ANEEL, que visou
a melhoria das previsões de vento para a análise de inserção de sistemas eólicos
na matriz de geração da CHESF. Este projeto teve início em 2004, sendo que de
Agosto/2005 até Abril/2008 foram geradas previsões de vento operacionalmente
pelo CPTEC, específicas para determinada região do Nordeste brasileiro.
5.1. Dados Observacionais
Os dados observacionais disponíveis para este trabalho são oriundos do projeto

SONDA (<http://sonda.cptec.inpe.br>), além de dados cedidos pela UFAL referentes
ao mapeamento eólico do estado de Alagoas (COSTA, 2009). Todos os dados
foram coletados por torres anemométricas com diversos níveis de medição e são
constituídos por séries de velocidade e direção do vento, além de registros de
temperatura conforme descrito na Tabela 5.1. Estes dados possuem resolução
temporal de 10 minutos, mas foram convertidos em médias horárias devido à
limitação na resolução dos preditores, originários dos modelos meteorológicos. Para
tanto foram calculadas médias de 30 minutos ao redor do horário de interesse de
modo a eliminar a variabilidade de mais alta freqência do vento.
Adotou-se o Nordeste brasileiro como zona alvo pela maior disponibilidade de torres
anemométricas, e por se tratar da região de maior concentração de projetos eólicos
no Brasil. A distribuição geográfica das torres pelo território abrange regiões com
características de relevo e vegetação diversas, de modo que 2 torres se localizam
no litoral e outras 6 torres no interior do continente como ilustra a Figura 5.1.
49
Tabela 5.1. Características das torres anemométricas.
ALTURA NÍVEIS DE
Nro ESTAÇÃO SIGLA ALTITUDE
DA TORRE MEDIÇÃO
1 Petrolina - PE¹ PETR 387 m 50 m 10/25/50 m
2 São João do Cariri - PB¹ SJCA 486 m 50 m 25/50 m
3 Triunfo - PE¹ TRFO 1123 m 50 m 25/50 m
4 Roteiro – AL ROTE 60 m 50 m 30/50 m
5 Maragogi – AL MAGI 50 m 50 m 30/50 m
6 Girau do Ponciano - AL GIRP 410 m 50 m 30/50 m
7 Agua Branca – AL AGUB 718 m 50 m 30/50 m
8 Palmeira dos Índios- AL PALM 649 m 100 m 30/70/100 m
¹ Estações do Projeto SONDA
Figura 5.1 - Mapa com a localização das torres anemométricas.
50
O período dos dados disponível varia para cada torre, no entanto, para o
desenvolvimento dos modelos RNA só puderam ser utilizados dados coletados no
intervalo entre Agosto/2005 e Abril/2008 devido à compatibilidade com as saídas
disponíveis do modelo Eta/PV. Neste período de interesse, cada torre possui pelo
menos 8 meses completos e ininterruptos, possibilitando que os modelos RNA
desenvolvidos identifiquem as variações sazonais do vento.
A qualificação dos dados coletados nas 8 torres foi feita de acordo com a
procedimento estabelecido pelo projeto SONDA (MARTINS et al., 2007). Os dados
anemométricos coletados após Abril/2008 foram utilizados no cálculo das
climatologias diárias a fim de dar maior representatividade as mesmas.
Como as variações sazonais na precipitação podem ter influência sobre a

modelagem estatística do vento, é preciso garantir o balanceamento entre os
períodos seco e chuvoso no refinamento do modelo. Para isso foram obtidas junto
ao Instituto nacional de Meteorologia (INMET) as climatologias de precipitação para
os locais onde se encontram as torres anemométricas. A Figura 5.2 ilustra este
regime de precipitação para as torres de SJCA e ROTE, instaladas no interior e no
litoral, respectivamente.
Figura 5.2 – Climatologia de precipitação sobre as torres de SJCA e ROTE.
A região de estudo possui acumulados médios anuais de precipitação variando de

600 mm no sertão nordestino a 3000 mm na faixa litorânea. Os principais sistemas
atmosféricos atuantes são a Zona de Convergência Intertropical, os Vórtices
Ciclônicos de Altos Níveis, os Distúrbios Ondulatórios de Leste (DOL) e as
incursões de frentes frias, esta última restrita ao sul do nordeste. Estes sistemas
51
atuam como forçantes dinâmicas, organizando a convecção sobre o continente,
entretanto fenômenos locais como a convecção profunda relacionada à orografia e
instabilidade termodinâmica, ainda respondem por uma boa parte da precipitação
nesta região (MOLION; BERNARDO, 2000).
Uma característica já mencionada anteriormente em relação à climatologia de

chuvas do nordeste é a sua complementaridade com o regime de ventos (Amarante
et al., 2001). Neste trabalho foi feita uma comparação entre estes regimes para a
região de Petrolina – PE. A Figura 5.3 ilustra o ciclo anual do vento a 50 m,
comparando-o à capacidade do reservatório da usina hidroelétrica de Sobradinho –
BA, que está a menos de 50 km de distância da torre anemométrica. Fica evidente
que esta complementaridade é válida também para este local.
Figura 5.3 – Ciclo anual do vento a 50 m em Petrolina-PE comparado à capacidade

do reservatório da usina hidroelétrica de Sobradinho – BA, segundo
dados da ANEEL.
A Figura 5.4 ilustra de que forma a precipitação se distribui ao longo dos dados
anemométricos disponíveis. Como o volume anual de chuva varia muito entre as
localidades, para separar os meses mais chuvosos foi feita a comparação entre
cada mês e o valor médio mensal obtido caso a precipitação anual fosse
uniformemente distribuída.
52
Figura 5.4 – Distribuição da precipitação ao longo dos dados anemométricos
disponíveis para cada estação.
Além da qualificação, os dados anemométricos passaram por uma inspeção visual

para detectar qualquer erro mais grosseiro que eventualmente não tenham sido
detectados pelo processo de controle de qualidade adotado. Este procedimento é
recomendável sempre que possível, até como uma maneira de familiarizar com o
comportamento do vento em uma determinada região. Na Figura 5.5 são mostradas
as séries de dados usadas neste estudo. Maiores detalhes sobre e fotos dos
arredores de cada torre podem ser encontrados em Costa (2007) e no website do
projeto SONDA (<www.ccst.inpe.br/sonda/>).
Figura 5.5 – Séries anemométricas e rosa dos ventos para cada torre anemométrica
empregada neste estudo. (Continua)
53
Figura 5.2 - Conclusão
54
5.2. Dados do Modelo Eta/PREVENTO
O modelo Eta/PV consiste de uma versão do modelo Eta denominada Eta

Workstation. Esta versão possui o mesmo código meteorológico da versão
operacional, no entanto utiliza um processo de assimilação mais simplificado e uma
instalação compatível com diversas máquinas, sendo assim mais utilizada para
pesquisas (NCEP, 2011). Para este projeto foi adotada uma resolução horizontal
menor (5 km) e resolução temporal de uma hora. Através deste modelo foram
geradas previsões de vento operacionais pelo CPTEC específicas para uma região
do nordeste brasileiro. A opção por utilizar as saídas do Eta/PV, em detrimento ao
Eta 20 x 20 km, que está operacional atualmente no CPTEC, ocorreu porque a
existência de saídas horárias é fundamental para o refinamento dos campos de
vento dada a grande variabilidade em seu ciclo diário, o que não se verifica para o
Eta operacional (somente saídas a cada 6 horas). Outro ponto favorável é que a
próxima versão do Eta a entrar em operação, deverá incorporar uma resolução
espacial e temporal menor, próximas ao Eta/PV, o que torna a metodologia
desenvolvida neste estudo válida para aplicação futura.
Para a redução do espaço em disco o domínio inicial do modelo foi recortado para
uma região de interesse, ficando restrito entres as latitudes 7°S e 11°S e longitudes
34°W a 41°W. A Figura 5.6 ilustra o domínio do modelo, seu recorte e o mapa de
relevo utilizado nas rodadas.
55
Figura 5.6 - Domínio da grade do modelo Eta/PREVENTO com região de recorte em
vermelho (a); com topografia relativa na resolução de 5 km (b). Sentido
de escalas do azul para o amarelo indicam aumento altitude.
Cada saída do Eta/PV é constituída por 24 variáveis sendo 5 dispostas em 19 níveis

de pressão, com rodadas efetuadas diariamente às 00UTC para um horizonte de
previsão de 72 horas, totalizando um grande volume de dados. Estas saídas foram
recortadas para um domínio menor, que cobre a região de interesse, sendo que as
primeiras 12 horas de previsão foram descartadas, pois sofrem fortes ajustes dos
campos de condição inicial. Sendo assim somente as previsões para o intervalo de
12 a 36 horas a partir de cada rodada foram utilizadas. Posteriormente, para cada
torre foram extraídas as saídas correspondentes à grade na qual esta se encontra,
sem nenhum tipo de ponderação em função de sua proximidade com grades
adjacentes. Na Tabela 5.2 estão listadas as variáveis de saída do modelo para cada
ponto de grade.
56
Tabela 5.2 - Descrição das variáveis Eta/PV.
Nro Variável Níveis Unidade Descrição

1 apcpsfc Superfície kg/m2 Precipitação total
2 cdsfc Superfície non-dim Coeficiente de arrasto superficial
3 dlwrfsfc Superfície W/m2 Onda longa Descendente
4 dpt2m Superfície K Ponto de Orvalho 2m
5 dswrfsfc Superfície W/m2 Onda Curta Descendente
6 lcdclcl Superfície % Fração de cobertura de nuvens baixas
7 lhtflsfc Superfície W/m2 Fluxo calor latente
8 msletmsl Superfície Pa Pressão media nível do mar (Eta)
9 mstavdlr Superfície % Disponibilidade de umidade
10 pressfc Superfície Pa Pressão em superfície
11 sfexcsfc Superfície (kg/m3).(m/s) Coeficiente troca em superfíe
12 shtflsfc Superfície W/m2 Fluxo de calor sensível
13 spfh10m Superfície kg/kg Umidade especifica a 10m
14 tcdcclm Superfície % Cobertura total de nuvens
15 tmp2m Superfície K Temperatura a 2m
16 uflxsfc Superfície N/m2 Fluxo zonal de momentum
17 ugrd10m Superfície m/s Vento zonal a 10 m
18 vflxsfc Superfície N/m2 Fluxo meridional de momentum
19 vgrd10m Superfície m/s Vento meridional a 10 m
20 hgtprs 19 gpm Altura geopotencial da camada
21 spfhprs 19 kg/kg Umidade especifica da camada
22 tmpprs 19 K Temperatura da camada
23 ugrdprs 19 m/s Vento zonal na camada
24 vgrdprs 19 m/s Vento meridional na camada
57
58
6 METODOLOGIA
A metodologia empregada no desenvolvimento deste trabalho foi subdividida em

tarefas específicas para facilitar o entendimento do processo. A cronologia proposta
abrange: Pré-processamento e Assimilação, Tratamento dos Dados, Seleção dos
Preditores, Desenvolvimento do Modelo em RNAs e Avaliação dos Modelos Obtidos
6.1. Pré-processamento e Assimilação
Tanto os dados observados quanto os modelados foram pré-processados para

adquirir a forma necessária para serem usados no desenvolvimento do modelo de
RNA.
Os dados do Eta/PREVENTO se encontravam em formato binário, conhecido como

GRIB (Gridded Binary), um padrão adotado pelo Organização Meteorológica
Mundial (OMM). Apesar de este formato apresentar uma boa compactação,
ocupando pouca memória, sua manipulação é trabalhosa, pois as saídas de cada
rodada ficam distribuídas por um conjunto de arquivos binários e descritores que
precisam ser combinados, o que dificulta a intercambiabilidade com outros
softwares. Já o formato de dados NetCDF (Network Common Data Form) é auto-
descritivo e independente da máquina, criado com a proposta de facilitar o acesso e
intercâmbio de dados científicos vetoriais, bastando para isso a instalação de uma
biblioteca de software. Como o volume de dados não foi um fator limitante para este
trabalho optou-se por convertê-los para NetCDF.
Para tanto os dados foram recortados utilizando o código LATS4D do software

GrADS (Grid Analysis and Display System), limitando o domínio espacial das saídas
para o menor possível que englobasse todas as estações, o número de níveis em
apenas 8, e o intervalo de previsão restrito entre +12 a +36 horas. Como o número
de arquivos é muito grande, o recorte e a conversão para o formato NetCDF foi
programada em linguagem SHELL. Apesar de o NetCDF ser um formato de menor
compactação o volume de dados foi reduzido de 700 GB para 120 GB
aproximadamente. A leitura destes arquivos, assim como o restante do trabalho, foi
executada empregando o software MATLAB®.
Os dados do modelo foram lidos e concatenados, de modo a formar uma série

temporal para cada estação de acordo com a grade correspondente a sua posição
geográfica, sem nenhum tipo de interpolação quanto às grades adjacentes. Foram
59
assimiladas todas as variáveis de superfície e 5 variáveis por camada para 7 níveis
de pressão. Os níveis incluídos foram 1000, 950, 925, 900 e 850 hPa, por estarem
relacionados aos gradientes verticais e à dinâmica da CLA, e 500 e 200 hPa, por
apresentarem uma relação com o vento geostrófico e principalmente com as
forçantes dinâmicas de alta troposfera, como os distúrbios ondulatórios e VCANs.
Portanto o conjunto total de dados do modelo assimilados para cada estação foi de
54 variáveis.
Os dados anemométricos se encontravam em arquivos mensais em formato texto

de extensão CSV (Comma Separated Value), com pelo menos dois níveis de
medição de intensidade do vento conforme mostrado anteriormente na Tabela 5.1.
Utilizando rotinas computacionais, tais valores foram lidos e concatenados de
maneira a formarem uma série temporal por estação. Posteriormente a resolução
temporal foi alterada de dez minutos para uma hora, através de médias aritiméticas
de 30 minutos, para remover oscilações de escala temporal inferior às de interesse
deste trabalho. No caso dos dados da rede SONDA, foram assimilados também os
arquivos de qualificação de cada estação para posterior tratamento das séries.
6.2. Tratamento dos Dados
6.2.1. Dados do Modelo
A primeira etapa realizada no tratamento foi a qualificação. Os dados de modelo,

embora pareça desnecessário, precisaram também passar por um processo de
verificação quanto à consistência das variáveis e/ou valores espúrios. Para o tipo de
modelagem em questão, mesmo uma pequena quantidade de valores espúrios
pode introduzir erros consideráveis no resultado final. Foram removidas as variáveis
inconsistentes e mantidas apenas aquelas cuja porcentagem de valores espúrios foi
inferior a 1%, os quais foram substituídos pelo valor médio da variável. A rodadas do
Eta/PV estavam divididas em 3 experimentos, conforme descrito pela Tabela 6.1.
Para o desenvolvimento deste trabalho foi utilizado apenas o experimento Exp_3
pelo maior volume de dados.
60
Tabela 6.1 – Experimentos referentes às rodadas do modelo Eta/PV.
Experimento Período Resolução Horizontal

Exp_1 37 dias 5 km x 5 km
Exp_2 5 meses 5 km x 5 km
Exp_3 25 meses 5 km x 5 km
Como um dos grandes desafios deste trabalho é o de encontrar os melhores

preditores para o modelo em RNA, tornou-se interessante que fossem construídas
novas variáveis a partir das existentes, ou adicionadas variáveis externas que
acrescentem alguma informação relevante na determinação dos campos de vento.
Neste processo foram criadas primeiramente as variáveis de magnitude e direção
do vento a 10m. A seguir, como a dinâmica atmosférica é regida por um sistema de
equações diferenciais, espera-se que relações significativas possam existir entre a
variação temporal de alguma variável e os valores de vento. Nesse sentido foram
criadas variáveis de tendência horária :ªS e tendência diária :ª para cada variável
do modelo de forma que:
:ªS = :/ − :/ − 1 (6.1)
:ª = :/ − :/ − 24 (6.2)
Onde : representa uma variável qualquer e / o tempo em horas.

Cabe ressaltar que como as redes empregadas neste estudo são não-recorrentes,
não representando efeitos dinâmicos (processamento temporal), faz-se necessário
que qualquer relação temporal de interesse seja fornecida como entrada. Em
compensação tais redes são mais simples de se treinar e indiferentes a
descontinuidades nas séries temporais. Redes dinâmicas multivariadas ainda estão
na fronteira do conhecimento da computação aplicada sendo difícil encontrar
softwares e algoritmos de treinamento que permitam sua implementação de maneira
eficiente.
Ainda como uma forma de auxiliar a RNA no reconhecimento de relações não-

lineares, optou-se por incluir como preditores combinações também não-lineares
entre as variáveis. Como as possibilidades seriam inúmeras, optou-se por obter
relações similares aos termos da componente horizontal da equação de Navier-
61
Stokes (N-S) (Equações 2.5 a 2.7). Para tanto algumas aproximações foram
necessárias e são descritas resumidamente a seguir.
Como o objetivo é modelar a magnitude do vento e não a direção, por conveniência

adota-se a direção sendo paralela ao eixo longitudinal do vento, de modo que a
componente em §, denominada ¬ seja nula, e a componente seja igual à
magnitude do vento , conforme descrito pela Eq. 6.3. Ainda, admite-se
homogeneidade lateral, de modo que toda derivada em relação à § também seja
nula, conforme Equação 6.4. Por fim, para eliminar derivadas espaciais, que são
inviáveis neste caso, pois nada se sabe sobre as grades adjacentes, admite-se que
no intervalo de uma hora entre uma amostra e outra o vento pode ser considerado
em regime permanente, de modo que tais derivadas são aproximadas conforme a
Equação 6.5.
TY
¬ = 0 ®¯¯° ¬ = (6.3)
A:
=0
A§
(6.4)
A: 1 A:
+ ∙ A/ ®¯¯°
TY
A = = ∙
A + A/
(6.5)
+ a magnitude média do escoamento

Onde : representa uma variável qualquer,
entre uma amostra e outra e / o tempo. As variáveis indicadas por ¬ e ¬
representam as componentes do vento neste novo eixo rotacionado.
A partir deste ponto, é possível obter sinais proporcionais a cada termo da equação
de N-S utilizando o método das diferenças finitas para aproximar as derivadas,
conforme exposto nas Equações 6.6 a 6.10. Quando necessárias outras
aproximações foram efetuadas para viabilizar a obtenção dos termos, mas seu
detalhamento foge ao escopo deste capítulo.
A advecção de momento médio pela componente turbulenta na direção do

escoamento / 4¥ pode ser aproximada pela Equação 6.6.
1 /] − / − 1]

/ 4¥ = ∙
+∆/
∆/
(6.6)
A advecção média de momento na direção do escoamento \²' pode ser

aproximada pela Equação 6.7.
62
1 /]
\²' = ∙
+∆/ ∆/

(6.7)
O primeiro termo do fluxo vertical turbulento de momento médio X-§1 pode ser
aproximado pela Equação 6.8.
X-§1 = n%U / − ³%% / (6.8)
O segundo termo do fluxo vertical turbulento de momento médio X-§2

pode ser aproximado pela Equação 6.9.
n%%% / − µ³% / ]

X-§2 = ´ ·
ℎn%%% / − ℎµ³% /
(6.9)
O gradiente horizontal de pressão na direção do escoamento - 4X- pode ser

aproximada pela Equação 6.10.
1 / − / − 1
- 4X- = ∙
+∆/
∆/
(6.10)
A absorção de momento pelos efeitos viscosos [X pode ser aproximada pela
Equação 6.11.
1 / − / − 1
]
[X = ¸ ∙ ¹
+∆/
∆/
(6.11)
Outra aproximação para o fluxo vertical turbulento médio de momento em função do

cisalhamento vertical º& é dada pela Equação 6.12.
] ]
½ Æ
¼Àµ]³ / − µ³% /Ã Àµ³% / − n%U /Ã Å 1
º& = ¼¿ − Å ∙ ℎ / − ℎ;
ℎ / − ℎ; Â ¿ ℎµ³% / − ℎ; Â
¼ ln ( µ]³ ) ln ( ) Å
(6.12)
µ]³
»¾ ℎµ³% / − ℎ; Á ¾ ℎn%U / − ℎ; Á Ä

Onde nas equações acima ℎ representa a altura geopotencial no nível de pressão
atmosférica , e ℎ; é o valor médio entre as duas camadas.
Para as variáveis \²', - 4X- e [X, foram geradas além dos fluxos
horários, também os fluxos médios em 24 horas.
Finalmente, sendo o ciclo diário a oscilação mais intensa nas séries de vento, uma
maneira encontrada para captar qualquer fenômeno cíclico com este período se deu
pela introdução de 12 variáveis sintéticas representadas por ondas senoidais com 1
hora de defasagem entre elas, conforme ilustrado na Figura 6.1. Como não importa
63
se as correlações com o vento são positivas ou negativas, 12 horas são suficientes
para cobrir todo o intervalo de possíveis ciclos ao longo do dia.
Figura 6.1 – Ondas senoidais introduzidas no conjunto de dados.
Após estas manipulações o conjunto final de dados passou a ter 189 possíveis
preditores para cada estação. O Apêndice A traz uma lista detalhada com todos
eles.
6.2.2. Dados Anemométricos
Os dados oriundos das torres anemométricas foram qualificados adotando os

critérios já utilizados pela rede SONDA, além de outros critérios mais restritivos.
Estes critérios adicionais foram obtidos empiricamente através de testes sobre o
conjunto de dados, e se fizeram necessários para garantir que nenhum valor
incoerente viesse a prejudicar o treinamento da RNA. Quanto aos dados SONDA,
uma vez que estes já passaram pelo processo de qualificação interno, foram
aplicados apenas os critérios adicionais. A Tabela 6.3 ilustra os critérios utilizados,
onde Ç representa o vento medido para cada um dos níveis, ∆È intervalos de '
horas e _ a altura de medição tal que _2 > _1. Ao final desta etapa obteve-se um
arquivo de qualificação para cada estação, onde os dados reprovados em qualquer
um dos testes foram marcados como suspeitos.
64
Tabela 6.2 – Critérios para o controle de qualidade dos dados anemométricos.
Nro Critérios / Valores em (m/s) Descrição Origem
1 Éí'Ç > 0 Limite Inferior SONDA
2 ÉáÇ < 25 Limite Superior SONDA
3 ÉáËÇ∆$ Ì − Éí'ËÇ∆$ Ì > 0,1 Variabilidade em 3 h SONDA
4 ÉáËÇ∆]j Ì − Éí'ËÇ∆]j Ì > 0,5 Variabilidade em 24 h SONDA
Éí'ËÇ∆]j Ì < 13
Limite superior para o valor
5 Adicional
mínimo em 24 h
É\-[²'²ËÇ∆]j Ì < 18
Limite superior para o valor
6 Adicional
médio em 24 h
É\-[²'²ËÇ∆]j Ì < 15
Limite Superior para o valor
7 Adicional
médio em 72 h
8 Ç_1 − Ç_2 < 0,5 Limite para inversão de perfil Adicional
Em seguida foram excluídos os dados anemométricos que se mostraram suspeitos

em pelo menos dois níveis de observação. Para os casos onde apenas a velocidade
no nível mais alto era considerada suspeita, esta foi inferida utilizando-se funções
pré-definidas para o ajuste do perfil vertical, obtidas a partir dos dados não-
suspeitos da torre aplicados à Equação 2.1. É possível mostrar que para uma
∗
atmosfera neutra, deverá existir uma relação linear entre e velocidade de fricção
e a velocidade do vento , conforme a Equação 6.13. A partir da Equação 2.1,
chega-se que coeficiente depende apenas da altura de medição e da
rugosidade local % , conforme a Equação 6.14.
∗
= ∙ _ (6.13)
1
=∙ _
ln o_ p
(6.14)
%
Onde é a constante de Von-Karman.
65
A rugosidade local pode ser calculada pela Equação 6.15 para cada amostra, e seu
valor final determinado através da análise de seu histograma para todos os ajustes
de perfil efetuados Uma alternativa seria definir % como sendo a mediana dos
valores, o que é uma aproximação bastante robusta, pois corresponde ao valor de
50% da função de densidade de probabilidade acumulada (CDF) não-paramétrica
para a distribuição em questão. Outra opção seria a partir das Equações 6.13 e 6.14
adotar o valor de rugosidade que gera um viés nulo no nível mais elevado a através
da auto-validação do perfil. Entretanto, como o objetivo é utilizar os valores
extrapolados no treinamento da RNA, e esta utiliza como critério erro quadrático
médio, resolveu-se adotar o valor de rugosidade que corresponde ao valor mínimo
do RMSE na auto-validação do perfil. A Figura 6.2 ilustra este procedimento para
uma das estações. Não foi considerada a variação da rugosidade em função de
alterações sazonais na vegetação, embora se saiba que as torres de Maragogi e
Roteiro sofram influência devido ao cultivo de cana-de-açucar em seus arredores.
_
ln o_] p
_% = Îln_n − _n ∙ Ï n
ÐÑ
_] − _n
(6.15)
Onde n e ] são os níveis de medição utilizados.
Figura 6.2 – Relação entre os valores de % e erro na determinação da rugosidade

onde _% 50% corresponde a mediana da distribuição. Método
adotado consiste na identificação das posições de mínimo erro.
66
Além disso, ao considerar a CLS como neutra, em média, espera-se que os erros
não sejam significativos, pois conforme observado em ensaios em túnel de vento
por Loredo-Souza et al. (2004) e por Roballo & Fisch (2008) a partir de dados
anemétricos de Alcântara-MA, os ventos mais intensos típicos nestas regiões
tendem a neutralizar a CLS devido à grande turbulência mecânica gerada. Para
mensurar o erro cometido, o método proposto foi validado através da comparação
entre valores reais e estimados, onde chegou-se a valores de RMSE inferiores 0,3
m/s, o que é adequado para a modelagem em questão. Esta etapa do processo foi
denominada reparação dos dados.
6.2.3. Sincronização dos Dados
A última etapa do processo de tratamento foi o acoplamento entre dados modelados

e dados anemométricos de forma sincronizada no tempo. Cabe ressaltar que
algumas estações estavam referenciadas em hora local enquanto o modelo em
horário UTC. Além disso foi preciso levar em consideração o padrão de data
numérica adotada por cada formato de arquivo para evitar incompatibilidades. Após
a sincronização o número de amostras por estação ficou reduzido, sendo limitado
pela quantidade de dados anemométricos disponíveis.
6.3. Seleção dos Preditores
Conforme discutido anteriormente a seleção dos preditores é uma das etapas mais
sensíveis no desenvolvimento de modelos de RNAs e exige conhecimento sobre os
processos físicos presentes na CLA. Parte-se de um grande número de previsores
em potencial que agregam uma complexidade desnecessária à rede e precisa ser
reduzido. A seleção com base em correlações lineares é uma técnica bastante
consolidada quando os fenômenos envolvidos não apresentam grandes não-
linearidades. Neste caso, entretanto, um cuidado adicional se faz necessário para
preservar estas possíveis relações.
67
6.3.1. Definição dos Subconjuntos por Limiar de Correlação
Nesta etapa definiram-se duas estações anemométricas para efetuar os testes

necessários. Escolheu-se SJCA e ROTE pela boa qualidade dos dados e pela
diversidade geográfica, já que a primeira se encontra a mais de 200 km do litoral e a
segunda a poucos metros da costa. Calculou-se as climatologias diárias de cada
variável e a partir destas foram geradas as anomalias normalizadas.
Calculou-se a correlação cruzada entre as variáveis e eliminou-se aquelas

consideradas redundantes (coeficiente de correlação superior a 0,99). Foram
calculadas correlações de Pearson, Kendall e Spearman entre os preditores e o
alvo, dado pela anomalia normalizada do vento observado a 50m. Neste processo
foram testadas defasagens de -3 horas a +3 horas entre preditores e alvo. Todos os
tipos de correlações utilizados são limitados entre -1 e 1, sendo que a de Kendall e
Spearman possuem alguma sensibilidade a relações não-lineares.
Identificou-se para cada preditor qual a defasagem que leva à maior correlação.
Criou-se então 8 subconjuntos de preditores a partir de limiares inferiores para os
módulos das correlações. De forma conservadora, estes módulos variaram de 0,01
a 0,15 conforme mostra a Tabela 6.4.
Tabela 6.3 – Limiares utilizados para os valores de correlação na pré-seleção dos

preditores
Limiar 1 Limiar 2 Limiar 3 Limiar 4 Limiar 5 Limiar 6 Limiar 7 Limiar 8

0,01 0,03 0,05 0,07 0,09 0,11 0,13 0,15
6.3.2. Regressão Linear Passo-a-Passo
Cada conjunto de preditores foi usado como entrada para uma regressão linear
passo-a-passo (WILKS, 2006), em que o critério de significância mínima de entrada
foi de 0,05 e a significância máxima para saída foi de 0,10. A regressõe linear
passo-a-passo é uma técnica de regressão multivariada em que preditores são
adicionados ou removidos gradativamente ao modelo na medida em que atendam
ao critério de entrada, ou deixem de atender ao critério de saída. Estes critérios
estão ligados ao poder explanatório adicional que cada preditor agrega ao modelo.
68
Mesmo para relações lineares sua eficácia não é absoluta, pois a ordem em que os
preditores são adicionados é importante, e testar todas as combinações possíveis
muitas vezes torna-se inviável. Apesar disso é uma forma sistemática e bem
fundamentada de se efetuar uma seleção de variáveis, e desde que se admita que
bons preditores lineares têm uma maior probabilidade de serem bons preditores
não-lineares, seu emprego pode ser estendido para a tarefa em questão. Cabe
ressaltar que para efetuar regressões não-lineares multivariadas é preciso pré-
definir o tipo de função que será utilizada (polinomiais, integrais, diferenciais,
homogêneas, etc..) pois os sistemas de equações são indeterminados, o que
dificulta bastante a aplicação desta técnica para fenômenos cujo equacionamento é
muito complexo, como neste caso.
6.3.3. Treinamento por Redes Neurais Artificiais
As saídas obtidas pela regressão definem 8 subconjuntos de preditores, os quais

foram utilizados como entradas para as RNAs. Cada preditor é previamente
defasado em função de sua posição de máxima correlação. Foram empregadas
RNAs do tipo perceptrons multi-camadas (MLP) devido à sua capacidade de
aproximação de qualquer função contínua aliada à capacidade de generalização.
Como nesta etapa a melhor configuração da RNA ainda não foi definida, adota-se
uma configuração padrão, com uma camada oculta, funções de transferência do tipo
sigmoidais na camada intermediária e linear na camada de saída. O número de
neurônios foi variado entre 0,5 e 1,5 vezes o número de preditores. Durante o
treinamento foi utilizado o método proposto por Reed (1993) onde os dados foram
divididos em conjunto de treinamento e de validação, para se evitar o sobre-ajuste.
Cada estação ficou com pelo menos 5000 amostras para treinamento e 2000 para
validação, onde foi observada a sazonalidade garantindo-se a proporcionalidade
entre meses secos e chuvosos. Foram efetuados 200 treinamentos pelo algoritmo
de retropropagação de Levemberg-Marquardt (TLM) para cada subconjunto de cada
estação, e calculados os erros quadráticos médios (RMSE) e coeficientes de
correlação (R) entre a saída da RNA e seu respectivo alvo no conjunto de validação.
Os treinamentos eram realizados de forma iterativa, onde os conjuntos de
treinamento e validação eram divididos aleatoriamente respeitando a proporção
69
definida para cada estação. O conjunto de validação variou entre 50% a 60% dos
dados por estação, em função do tamanho da série disponível. Os erros e
correlações foram avaliados sobre toda a série de dados.
Sobre cada subconjunto de erros e correlações foi aplicado o teste de Kolmogorov-

Smirnov de duas amostras, comparando os subconjuntos de resultados adjacentes.
Este teste possui a vantagem de ser não-paramétrico e permite inferir para certo
nível de significância se duas amostras podem ser oriundas da mesma distribuição
de probabilidades (WILKS, 2006). Com isso foi possível identificar até que ponto é
vantajoso aumentar o número de preditores, ou seja, progredir para o próximo
subconjunto. Com isso definiu-se o melhor subconjunto de preditores para cada
estação anemométrica.
Para avaliar a possibilidade de adotar técnicas paramétricas no desenvolvimento do

trabalho foi aplicado um teste de normalidade das distribuições de RMSE e R pela
comparação entre as distribuições acumuladas de probabilidade, normal e
amostrada, utilizando-se intervalos de confiança com 5% de significância. Caso a
curva normal esteja contida no intervalo de confiança da amostra, testes
paramétricos são apropriados.
6.4. Desenvolvimento do Modelo em RNAs
A definição da arquitetura possui um componente empírico relevante, portanto foram

realizados testes de sensibilidade com configurações distintas para as duas torres
anemométricas. Admite-se que as melhores configurações para estas também
desempenharão melhor para as outras torres.
6.4.1. Definição do Número de Neurônios Ocultos
Uma vez que o número de preditores para a RNA já foi definido, o próximo passo foi
determinar o número adequado de neurônios na camada oculta. Quanto maior este
número, maior a flexibilidade da rede para se ajustar aos resultados, no entanto
maior também é o número de mínimos locais, maior a dificuldade de treinamento e
maior o risco de super-ajuste da rede. Para averiguar como o número ideal de
neurônios varia na medida em que se altera a quantidade de preditores, foram
70
testados 6 subconjuntos de preditores para cada estação, com os neurônios da
camada oculta variando de 1,5 a 4 vezes o número de preditores. Os outros dois
subconjuntos de preditores referentes ao Limar 1 e Limiar 2 não foram utilizados,
pois acarretariam um tempo excessivo de processamento devido ao número maior
de preditores. Após 100 treinamentos para cada subconjunto, os melhores valores
de RMSE e R analisados em função do número de preditores. O intervalo ideal é
aquele em que um aumento no número de neurônios não acarreta uma melhora
significativa nos resultados.
6.4.2. Configuração dos Testes de Sensibilidade
Posteriormente, uma série de testes de sensibilidade foi efetuada para aperfeiçoar

os principais parâmetros da rede. O subconjunto de preditores utilizado foi o de
Limiar 5 e o número de neurônios ocultos foi restringido entre 1 e 2 vezes o número
de preditores. Estes testes estão descritos pela Tabela 6.5 e inclui variações na
defasagem máxima entre preditor e alvo, na função de entrada da RNA, no
tratamento inicial dos preditores, no tipo de climatologia, no algoritmo de
treinamento e no alvo final da rede.
A função de entrada da RNA pode ser do tipo ‘Mín/Máx’, quando os preditores são
escalonados na entrada, ou do tipo ‘std’, quando são normalizados pelo desvio
padrão. O tratamento inicial dos preditores pode variar entre o uso de anomalias
absolutas, anomalias normalizadas ou anomalias escalonadas. É importante
diferenciar o escalonamento efetuado nas entradas da RNA do efetuado no
tratamento dos preditores. Apesar de ambos limitarem os valores mínimos e
máximos entre -1 e 1, no tratamento dos preditores a média das anomalias é
preservada em zero, evitando um desbalanceamento do sinal, conforme indica a
Equação 6.16. A climatologia diária usada para o cálculo das anomalias pode ser
única para todo o ano ou mensal. Os algoritmos de treinamento variam entre o TLM,
o de retropropagação por gradientes conjugados (TCG) e o de retropropagação por
regularização bayesiana (TBR). O alvo pode variar entre a anomalia do vento
observado (Vobs), ou o pela anomalia do erro entre o vento previsto (Vp) e o
observado.
71
:q
X\ : q > 0 Ô: q
À Uá
Ã
:Óa
q
=¿ Â
: q
X\ : q < 0 Ô: q
(6.16)
¾ Á
UíÈ
Onde : q é a anomalia de uma variável qualquer e os sub-índices representam seus

valor máximo, mínimo e escalonado.
Tabela 6.4 – Testes de sensibilidade realizados sobre a rede neural.
Defas. Função Tratamento Algoritmo

Climatologia Alvo
Máxima Entrada Preditores Treinam.
Controle +/- 3h Mín/Máx Anom Norm Diária TLM Vobs 50m
Teste 1 +/- 6h Mín/Máx Anom Norm Diária TLM Vobs 50m
Teste 2 +/- 12h Mín/Máx Anom Norm Diária TLM Vobs 50m
Teste 3 +/- 3h Std Anom Norm Diária TLM Vobs 50m
Teste 4 +/- 3h Mín/Máx Anom Absol Diária TLM Vobs 50m
Teste 5 +/- 3h Mín/Máx Anom Escal Diária TLM Vobs 50m
Diária /
Teste 6 +/- 3h Mín/Máx Anom Norm TLM Vobs 50m
Mensal
Teste 7 +/- 3h Mín/Máx Anom Norm Diária TCG Vobs 50m
Teste 8 +/- 3h Mín/Máx Anom Norm Diária TBR Vobs 50m
Teste 9 +/- 3h Mín/Máx Anom Norm Diária TLM Erro V50m
Foram realizados 100 treinamentos para cada configuração e para ambas as

torres, com exceção do Teste 9, para o qual foram realizados apenas 20 testes pois
o algoritmo de treinamento utilizado demanda um tempo de processamento muito
superior aos demais. Cada teste altera apenas um parâmetro da RNA e seus
resultados foram comparados ao grupo Controle para se avaliar a influência de cada
alteração separadamente.
72
Da mesma forma que na seleção de preditores, os resultados foram
comparados através de um teste de Kolmogorov-Smirnov com 5% significância para
duas amostras, sendo uma destas sempre a Controle.
6.5. Avaliação dos Modelos Obtidos
As melhores configurações de RNA obtidas para cada uma das torres foram
aplicadas sobre as demais estações. A configuração obtida para SJCA foi
denominada INT, como referência ao interior do continente, e a configuração obtida
para ROTE foi chamada LIT, em referência ao litoral. As redes foram treinadas para
cada uma das 8 torres e a avaliação final foi efetuada sobre todo o conjunto de
dados disponível.
6.5.1. Desempenho na Previsão de Ventos
Os dados modelados e observados foram dispostos em forma de dispersão

analisando-se o desempenho de cada um dos modelos, Eta/PV, regressão passo-a-
passo (REGP) e redes neurais (RNA). Foram calculados o coeficiente de correlação
(R), o erro médio (ME) e o RMSE para o vento no nível de 50 m. Para PALM o alvo
de comparação foi o nível de 70 m. As Equações 6.17, 6.18 e 6.19 descrevem o
método de cálculo de cada um destes índices, onde “P” são dados previstos e “O”
os dados observados. Foi gerado também o gráfico em escala temporal para estas
séries de dados, possibilitando a visualização do desempenho de cada modelo.
O desempenho do modelo de previsão por RNAs foi avaliado também através do

cálculo do Skill, que é uma medida do ganho de um modelo em relação a outro para
um determinado índice estatístico, conforme descrito na Equação 6.20. No caso foi
avaliado a redução do RMSE do modelo RNA em relação ao Eta/PV.
∑Ö ; ;
e©ne − Õe − Õ
Z=
; ] ; ]
e©ne − ∙ ^∑e©nÕe − Õ
^∑Ö Ö
(6.17)
73
1
Ö
É = ×e − Õe
y
(6.18)
e©n
1
Ö
ZÉ0 = Ø ×e − Õe ]
y
(6.19)
e©n
ZÉ0ÙÖÚ − ZÉ0Ûd
0[&&ZÉ0, /² =
ZÉ0Ûd
(6.20)
6.5.2. Desempenho na Previsão de Potência Eólica
Outra etapa interessante realizada foi a avaliação do peso de cada preditor no

modelo final obtido pela RNA. Esta é uma informação valiosa para o aprimoramento
das técnicas de refinamento estatístico assim como para orientar modificações nos
modelos de mesoescala.
No que se refere às possíveis aplicações, as previsões de vento fornecidas pelo

modelo Eta/PV e pelo refinamento por RNAs foram utilizados em conjunto com a
curva de potência de um aerogerador de 2,1 MW, uma faixa de potência que vêm
sendo largamente empregada nos parques eólicos brasileiros, com o intuito de
avaliar os erros nas estimativas de energia produzida no horizonte +12 a +36 horas.
A curva de potência empregada está ilustrada na Figura 6.3.
74
Figura 6.3 – Aerogerador de 2,1MW utilizado nas estimativas e sua curva de
potência.
Fonte: Hidrofil (2011) <www.thewindpower.net>
Do ponto de vista microeconômico, a partir destas informações foi possível calcular

o impacto que uma previsão melhor pode acarretar sobre a receita de um
empreendimento eólico em um cenário de mercado livre de energia. No mercado
livre, que já vigora hoje para outras fontes de energia como a hidráulica e a
termoelétrica, o excedente de energia em relação ao contratado pode ser
comercializado no curto-prazo, onde os preços variam em função da oferta e
demanda do sistema elétrico (CCEE, 2011).
Já com relação ao gerenciamento do sistema elétrico nacional, a redução do erro

nas estimativas de energia eólica disponível a curto-prazo para uma região pode
auxiliar no gerenciamento do parque gerador brasileiro. Foi feita uma estimativa do
ganho de confiabilidade de energia produzida, em MWh, com base na capacidade
eólica atual instalada no nordeste brasileiro. Este ganho é uma conseqüência da
redução das incertezas (variância) associadas à nova distribuição de probabilidade
dos erros provenientes da RNA
75
76
7 RESULTADOS
A seguir são descritos os resultados encontrados durante cada etapa de

desenvolvimento do trabalho. O conceito de resultados aqui exposto compreende
não somente aqueles que têm uma influência direta no modelo final de rede neural,
mas também aqueles que foram obtidos de maneira complementar, seja para
validar cada etapa do processo, seja para agregar informações que possam ser de
alguma utilidade para trabalhos futuros.
7.1. Verificação da Assimilação e do Tratamento dos Dados
Primeiramente, após o processo de recorte e conversão dos dados do modelo

Eta/PV, preocupou-se em eliminar a possibilidade de qualquer incompatibilidade de
codificação ou sistema operacional que viesse degradar os dados. Para averiguar
sua consistência espacial e temporal foram gerados dois mapas para o mesmo
domínio e instante, sendo que o primeiro foi obtido a partir das saídas originais do
Eta/PV através do software GrADS, e o segundo pelo MATLAB® a partir das saídas
convertidas e assimiladas. A Figura 7.1 mostra que os dados estão íntegros após o
processamento.
Figura 7.1 – Comparação entre mapas de magnitude do vento a 10m antes (a) e
após (b) o processo de recorte, conversão e assimilação.
Na etapa seguinte, com a qualificação aplicada sobre os dados do modelo Eta/PV

eliminou-se variáveis espúrias do conjunto de preditores. A Figura 7.2 mostra a
77
porcentagem de dados espúrios por variável para as estações de SJCA e ROTE.
Entre as variáveis excluídas estão o coeficiente de arrasto superficial (cdsfc), a
disponibilidade de umidade em superfície (mstavdl), o coeficiente de troca em
superfície (sfexcsfc) e os fluxos zonal e meridional de momentum em superfície
(uflxsfc e vflxsfc), que não foram calculados em instante algum, possivelmente por
opção de configuração inicial do modelo. As variáveis de fluxo de calor latente em
superfície (lhtflsfc) e de vento zonal na camada de 850 hPa (ugrdprs850) tiveram
uma taxa de falha bem discreta e foram mantidas no modelo após terem seus dados
suspeitos substituídos pelas respectivas médias. Inspecionando com detalhe as
variáveis lhtfsfc e mstavdlr percebe-se que a taxa de falha é diferente entre os
pontos de grade, o que sugere que pode haver alguma instabilidade numérica
induzida por fatores locais. Os critérios para esta qualificação foram os limites
máximos e mínimos fisicamente possíveis para cada variável, obtidos
empiricamente com base na análise do conjunto de saídas do modelo. Dados falhos
indicavam valores não-factiveis, tipicamente -999, sendo facilmente identificados.
Para taxas de falha inferiores a 2% estes valores foram substituídos pela média
simples da variável para cada estação.
100,0% 99,2% 100,0% 100,0% 100,0%

100%
90% PETR
80%
Porcentagem Suspeita
SJCA
70%
60% TRFO
50% ROTE
40%
MAGI
30%
GIRP
20%
10% 1,1% AGUB
0,03%
0% PALM
cdsfc lhtflsfc mstavdlr sfexcsfc uflxsfc vflxsfc ugrdprs850
Variáveis Eta/PV
Figura 7.2 – Variáveis suspeitas durante a qualificação dos dados do modelo

Eta/PV. Rótulos representam as taxas médias de falha para cada
variável.
Quanto aos dados anemométricos sua qualificação foi imprescindível, pois foram
detectadas diversas fontes de erro cujo diagnóstico é difícil por inspeção visual.
78
Neste caso o algoritmo utilizado foi baseado nos critérios do projeto SONDA,
acrescido de critérios adicionais como já mencionado anteriormente. A Figura 7.3
ilustra a porcentagem de dados suspeitos ou incompletos para cada torre
anemométrica e para cada nível. A altura dos níveis para as estações varia
conforme descrito anteriormente pela Tabela 6.1. Cabe ressaltar que o nível 1 de
TRFO esteve inoperante durante todo o período.
100,0%
100%
90% Nível 1 (25 / 30 m)
Porcentagem Desqualificada
80% Nível 2 (50 / 70 m)

70%
60%
47,8%
50%
40%
30%
16,1%
20%
10% 0,1% 0,0% 0,0% 0,0% 0,5% 0,5% 1,1% 1,1% 0,0% 0,0% 0,0% 0,0% 1,2%
0%
PETR SJCA TRFO ROTE MAGI GIRP AGUB PALM
Figura 7.3 – Porcentagem dos dados anemométricos desqualificados por estação

para cada nível.
Como o descarte dos dados anemométricos suspeitos é uma medida extrema,

principalmente quando o tamanho das séries é um limitante para o trabalho, optou-
se por recuperar os dados a 50 m a partir do nível inferior sempre que possível,
utilizando-se a equação para o perfil logarítimico do vento. Esta reparação foi
auditada para se ter uma idéia dos erros cometidos com os ajustes verticais. A
porcentagem de dados corrigidos a 50 m, a rugosidade e o erro médio absoluto
(MAE) para cada estação são mostrados na Figura 7.3. Os valores dos erros
cometidos foram aceitáveis e não comprometem o desenvolvimento do modelo em
RNAs, uma vez que nestas extrapolações verticais as correlações praticamente não
se alteram. A magnitude do BIAS ficou abaixo de 0,1 m/s e o MAE ficou limitado a
0,65 m/s. Nota-se que as estações de PETR e PALM possuem maiores desvios nos
perfis verticais, seja pela presença de obstáculos, pela localização geográfica ou por
um desajuste dos sensores. Em PETR sabe-se que há obstáculos no entorno da
torre, enquanto em PALM o porte da vegetação e o relevo levemente acidentado no
entorno podem ter contribuído para estes desvios.
79
1,00
Fração Reparada / Erro (m/s)
Reparado 50 m
0,80 BIAS 50 m
0,65 0,65
MAE 50 m
0,60
48%
0,40 0,31
0,28
0,22 0,21
0,20 0,1616%
0,08
0% 0% 0 0 0% 0,02 0% 0% 0%
0,00
-0,08 -0,05 -0,05 -0,05

-0,20 -0,10
Figura 7.4 – Fração de dados anemométricos reparados no nível mais elevado e

respectivos erros (MAE e BIAS) cometidos. Para a estação PALM o
nível reparado foi o de 70 m.
As séries de dados qualificadas e reparadas foram analisadas visualmente quanto a

sua consistência. Percebe-se que as estações do projeto SONDA possuem séries
mais longas, embora descontinuidades ocorram com certa freqüência. As séries de
Alagoas são curtas, porém bastante consistentes. A Figura 7.5 ilustra as séries de
PETR e PALM onde os reparos estão destacados. Percebe-se que o padrão dos
dados praticamente não se altera. É importante ressaltar que de toda forma estas
séries representam bem a variabilidade local do vento a 50 m, portanto para todos
os efeitos admite-se que estas sejam as séries efetivamente observadas.
Figura 7.5 – Séries temporais de magnitude observada do vento para as estações

de PETR (50 m) e PALM (70 m) após reparos. (Continua)
80
Figura 7.5 – Conclusão
Na sequência foi realizada a sincronização entre os dados modelados e

observados, o que demandou certa cautela, pois alguns arquivos de dados
anemométricos estavam em hora local e em um padrão de data numérica diferente
dos modelos. A fim de validar este processo foram geradas figuras correlacionando
a data do modelo com a data das torres para os períodos onde há dados
anemométricos disponíveis. Estes resultados estão expostos pela Figura 7.6.
Figura 7.6 – Validação da sincronização entre os dados modelados e observados

para todas as estações.
7.2. Climatologia
Foram removidas do conjunto de dados tanto as variáveis do Eta/PV não aprovadas
na qualificação quanto as linhas de dados anemométricos suspeitos e não passíveis
de reparos. Foram calculadas as climatologias diárias para o modelo e para as
observações. Tendo em vista que após a sincronização o período de dados
anemométricos fica limitado pelo período do Eta/PV, a climatologia observada foi
81
calculada utilizando todo o conjunto de dados anemométricos disponíveis,
independentemente da sincronização.
7.2.1. Ciclos Diários
Na Figura 7.7 estão expostos os ciclos diários de intensidade e direção do vento

para cada mês em SJCA e ROTE. Estas foram as duas estações utilizadas para os
testes seguintes de desenvolvimento do modelo em RNAs. Este tipo de climatologia
diária, dividido mensalmente, foi utilizado em um dos testes de sensibilidade do
modelo em RNAs como será visto adiante, no entanto, o padrão para as demais
rodadas foi de uma única climatologia diária válida para todo o ano.
Observando a Figura 7.7 nota-se que o Eta/PV em média, detecta com precisão o
instante em que o vento se intensifica em SJCA apesar de não representar bem as
magnitudes, superestimando os máximos diários. Outro ponto interessante é a
existência de freqüências mais altas de oscilação da magnitude e direção do vento
observado nos meses chuvosos em SJCA, possivelmente um efeito da convecção
profunda. Este mesmo comportamento não é aparente nos dados do Eta/PV. Para
ROTE percebe-se uma diferença maior no ciclo diário, onde o Eta/PV tipicamente
superestima a brisa marítima e não detecta as oscilações na direção do vento nos
meses chuvosos.
Figura 7.7 – Ciclos diários de intensidade e direção do vento ao longo do ano para
SJCA (a) e (b) respectivamente; e ROTE (c) e (d) respectivamente.
(Continua)
82
Figura 7.7 – Continuação. (Continua)
83
Figura 7.7 – Continuação (Continua)
84
Figura 7.7 – Continuação . (Continua)
85
86
7.2.2. Determinação do Comprimento de Rugosidade
A comparação entre os ciclos de vento a 50 m só foi possível devido à extrapolação

dos valores do modelo Eta de 10 m para 50 m. Como no modelo só há um nível de
altura do vento, que está a 10 m, utilizou-se dos dados anemométricos para
determinar a rugosidade local e a partir daí calcular o vento no nível de 50 m. Para
que esta técnica funcione adequadamente é preciso que o relevo e a vegetação
local sejam razoavelmente homogêneos o que nem sempre é verdade. A técnica
empregada consistiu no método de minimização do erro quadrático médio obtido
pela auto-validação do perfil logarítimico assumindo uma atmosfera média neutra,,
conforme já explicado na metodologia.
A Figura 7.8 mostra os valores obtidos para as rugosidades ao redor de cada torre
em escala logarítmica. O cálculo não foi dividido por setores por conveniência, uma
vez que o vento predominante não varia muito de direção nesta região.
10,00
3,59
Rugosidade (m)
1,00 0,66
0,11 0,1 0,09

0,08
0,10 0,06
0,04
0,01
Figura 7.8– Valores obtidos para a rugosidade % ao redor de cada torre em escala
logarítmica.
Analisando os valores obtidos e as imagens disponíveis para a vegetação no

entorno de cada estação, nota-se uma coerência nos resultados. SJCA está em um
descampado com arbustos e inclinação suave; TRFO não possui dados a 25 m
portanto adotou-se 0,2; ROTE e MAGI estão próximos do litoral; GIRP e AGUB
aparentam estar cercados por vegetação rasteira; restaram PETR e PALM que
apresentam obstáculos em seu entorno que justificam os altos valores encontrados,
conforme já mencionado anteriormente.
87
7.3. Preditores Selecionados
A partir das anomalias de cada variável calculou-se a correlação cruzada, onde

variáveis redundantes, um total de 15, foram eliminadas. Foram obtidas as
correlações máximas para cada variável em função das possíveis defasagens com
o alvo. Tais defasagens a princípio foram limitadas entre +/- 1 hora. A Figura 7.9
ilustra a máxima correlação encontrada para cada variável para as duas estações
em questão. Percebe-se que em média as correlações são inferiores a 0,5 o que a
princípio podem ser considerados valores baixos. No entanto é preciso ter em
mente que estas são correlações entre anomalias, onde o ciclo diário, que é o maior
responsável pela variância destas séries, foi subtraído. Isto significa que para as
séries absolutas estas correlações podem se amplificar. Outra ressalva a ser feita é
quanto à precariedade deste método na detecção de não-linearidades, conforme
discutido no capítulo anterior.
Na definição dos preditores foram adotados 8 limiares de correlação os quais deram

origem aos respectivos subconjuntos de potenciais preditores. A função destes
limiares é efetuar uma primeira filtragem nas variáveis. Estes subconjuntos foram
posteriormente refinados através de uma regressão linear passo-a-passo, que tem
como principal objetivo eliminar preditores incapazes de incrementar a variância
explicada dos preditandos, ou seja, preditores linearmente dependentes de outros.
88
Figura 7.9 – Correlações máximas obtidas para cada variável e exemplo de limiar
adotado para definir os subconjuntos de preditores para SJCA (a);
correlações máximas obtidas para ROTE (b).
As correlações mostradas anteriormente representam as máximas entre diferentes

defasagens. No entanto, uma forma de eliminar a influência do ruído na definição
das defasagens foi aplicá-las somente se significassem um aumento superior a 10%
na correlação para cada variável. A Figura 7.10 mostra como ficaram as defasagens
para um dos subconjuntos de preditores para SJCA (+/- 1 h) e ROTE (+/-11h). Nota-
se que para ROTE a maior parte das variáveis tendem a se atrasar em relação à
previsão, o que não se torna um problema desde que se tenha saídas do modelo
para um horizonte posterior ao da previsão desejada.
89
Figura 7.10 – Defasagens de máxima correlação para cada variável em SJCA e
ROTE. O zero representa o momento da previsão e as barras azuis
a posição no tempo dos 24 valores utilizados para prever o vento
(alvo).
Nas duas primeiras etapas de seleção foram adotados critérios gradativamente mais
restritivos (limiares) para que a análise fosse conservadora, uma vez que as
potencialidades não-lineares de cada preditor são desconhecidas. A última etapa da
seleção, porém, é determinante, pois os subconjuntos preditores são treinados em
uma rede neural, onde têm seu desempenho comparado. Para um número de
treinamentos suficientemente grande pode-se identificar estatisticamente quais
subconjuntos representam uma melhora efetiva para o modelo em RNAs. A Tabela
7.1 lista o número de preditores obtidos por subconjunto após a aplicação dos
limiares e da regressão passo-a-passo (REGP). Na sequência, a Figura 7.11
compara a dispersão anterior e posterior à REGP para as estações de SJCA e
ROTE. Cabe ressaltar que para todos os subconjuntos o vento modelado pelas
REGPs foi incluído como um preditor adicional.
Percebe-se que o número de preditores candidatos é reduzido significativamente

com o uso de REGP. Uma característica interessante é que quanto maior o número
de preditores fornecidos à REGP, maior o número de preditores selecionados, o que
90
mostra que mesmo para regressões lineares estes preditores agregam valor. A
comparação das dispersões com o vento observado entre Eta/PV e REGP também
evidenciam a potencialidade desta técnica. Para REGP o viés foi praticamente
eliminado e as correlações aumentaram significativamente para ROTE, de 0,34 para
0,70, e modestamente para SJCA, de 0,58 para 0,63. Adiante será visto que esta
dificuldade em modelar SJCA é freqüente.
Tabela 7.1 - Número de preditores por subconjunto antes e após REGP.
Número Preditores Lim_1 Lim_2 Lim_3 Lim_4 Lim_5 Lim_ 6 Lim_7 Lim_ 8
SJCA - Inicial 144 124 103 82 66 52 42 37
Após REGP 54 49 37 35 28 25 22 17
ROTE - Inicial 151 145 120 86 63 47 38 32
Após REGP 56 47 34 28 26 25 21 18
Figura 7.11 – Comparação entre as dispersões obtidas entre o vento observado e o

modelado pelo Eta/PV (vermelho) e as saídas da REGP (azul) para o
vento a 50 m.
Após a realização de 200 treinamentos para cada subconjunto de preditores da

Tabela 7.1 utilizando uma rede neural com configuração preliminar foram obtidas
distribuições de correlações (R) e raiz do erro quadrático médio (RMSE). Estas
distribuições foram analisadas para que se pudesse identificar qual seu padrão de
comportamento para cada subconjunto. Na Figura 7.12 é mostrada uma
comparação entre os intervalos de confiança para 5% de significância das
distribuições de probabilidade acumulada de R e RMSE contra uma distribuição
91
normal padrão. Nota-se que apesar de algumas regiões não sobrepostas, em geral
existe uma compatibilidade entre as curvas, o que indica certo grau de
aleatoriedade da solução. Isto pode ser um sinal de que o treinamento da RNA está
convergindo sistematicamente em torno de soluções semelhantes, as quais seriam
função apenas das condições iniciais dos pesos e vieses, que são aleatórias.
Figura 7.12 – Comparação entre as distribuições de probabilidade acumulada de

RMSE e R contra uma distribuição normal padrão para quatro
subconjuntos de N preditores (Npred) da estação de SJCA.
(Continua).
92
Figura 7.12 – Conclusão.
Estas distribuições de R e RMSE são mostradas em um gráfico em função do

número de preditores dos respectivos subconjuntos, conforme ilustra a Figura 7.13.
Para que se pudesse identificar aquelas que são estatisticamente melhores foi
efetuada uma comparação entre a distribuições adjacentes utilizando o teste de
Kolmogorov-Smirnov (KSTest) para duas amostras, adotando estatística de uma
banda em 5% de significância. A hipótese nula do KSTest é de que as amostras são
iguais. No caso do RMSE foi testada a hipótese alternativa de que a amostra
seguinte é menor que a atual, enquanto para R naturalmente foi testado o oposto. A
Tabela 7.2 lista os valores obtidos para o teste, sendo que 1 indica que a hipótese
alternativa é verdadeira, enquanto 0 indica que as amostras são iguais .
93
Figura 7.13 – Valores médios (azul), dispersão de 25%-75% (verde) e extremos
(vermelho) para as distribuições de RMSE e R como função do
número de preditores utilizados na construção do modelo em RNAs
para SJCA (a); e ROTE (b).
Tabela 7.2 – Resultados dos testes de Kolmogorov-Smirnov entre os subconjuntos

de preditores adjacentes para SJCA e ROTE.
Subconjuntos 8/7 7/6 6/5 5/4 4/3 3/2 2/1
SJCA RMSE 1 1 1 1 0 0 0
R 1 1 1 1 0 0 0
ROTE RMSE 1 1 1 1 1 0 0
R 1 1 1 1 1 0 0
A leitura da Tabela 7.2 deve ser feita de tal forma que para uma comparação entre
os subconjuntos X/Y, o valor 1 indica que os parâmetros RMSE ou R de Y são
melhores que os de X. A partir dos resultados da Tabela 7.2 e da Figura 7.13 define-
se o subconjunto de preditores mais adequado para cada uma das estações. Para
SJCA nota-se que um aumento no número de preditores leva a uma melhora
94
significativa no modelo até o subconjunto correspondente ao Limiar 4. Já para
ROTE esta melhora avança até o subconjunto de Limiar 3. Apesar dos limiares
distintos obtidos para as estações o número de preditores ao final desta etapa ficou
em 35 e 34, para SJCA e ROTE respectivamente. Há diferenças entre os preditores
de cada estação e isto é compreensível, pois como estas estações estão em locais
geograficamente distintos (litoral e sertão), possuem uma dinâmica atmosférica
diferenciada que permite correlações diferentes para algumas variáveis. Como este
número final de preditores ainda vai sofrer pequenas alterações devido aos testes
de sensibilidade, a comparação entre os conjuntos será feita somente ao final do
capítulo.
7.4. Neurônios na Camada Oculta
Uma vez definidos os preditores procedeu-se para a definição do número ideal de

neurônios na camada oculta. Para dar maior representatividade para este teste
foram realizados treinamentos utilizando 5 subconjuntos de preditores para dar
maior robustez á análise. Os subconjuntos com maior número de preditores não
foram utilizados para se reduzir o tempo de processamento da análise. O
desempenho da rede foi avaliado variando-se o número de neurônios de 1,5 a 4
vezes o número de preditores, onde foram realizados 50 testes para cada
configuração. Os resultados foram colocados em um gráfico como função da razão
entre neurônios ocultos e preditores conforme ilustra a Figura 7.14.
Percebe-se que para ROTE existe uma tendência de redução do RMSE na medida
em que se aumenta o número de neurônios ocultos até aproximadamente a razão
de 2,5. Para SJCA esta tendência não é evidente e o erro não se altera, e
eventualmente até cresce com o aumento da razão, o que caracteriza um
comportamento atípico cujo motivo não pôde ser identificado. No entanto, cabe
ressaltar que na medida em que se aumenta o número de neurônios ocultos, por um
lado aumenta-se a flexibilidade da rede, porém esta se torna mais difícil de treinar.
Isto é compreensível, pois o aumento do número de pesos sinápticos, aumenta
também o número de mínimos relativos, e portanto mais iterações são necessárias
para que a rede convirja aproximadamente para uma mesma solução. Neste sentido
SJCA está em desvantagem pois é também a estação com a mais longa série de
treinamento.
95
Outro fator que pode estar limitando o desempenho da rede para SJCA é a própria
complexidade dos fenômenos atmosféricos locais, que pode levar a uma
incapacidade de prognóstico do Eta/PV para algumas escalas de circulação
relevantes, inferiores a capacidade de representação do modelo. Com isso a RNA
empregada não possui recursos suficientes para extrair mais informações dos
preditores. Uma alternativa seria o emprego de redes neurais com mais de uma
camada oculta e/ou recorrentes, mas que estão fora do escopo deste trabalho. Com
base nestes resultados, optou-se por trabalhar sempre com um intervalo de
neurônios ocultos entre 2 e 3 vezes o número de preditores, poupando tempo para
realizar mais iterações e assim garantir a convergência do erro.
(a) (b)
Figura 7.14 – RMSE em função da razão entre neurônios e preditores para SJCA (a)
e ROTE (b).
7.5. Testes de Sensibilidade
Conforme ilustrado anteriormente na Tabela 6.4, foram realizados testes de

sensibilidade para identificar quais opções de pré-processamento e configuração da
RNA trazem ganhos de desempenho para o modelo. Após 100 treinamentos para
cada configuração os valores de RMSE e R para SJCA e ROTE foram colocados
em um gráfico tipo boxplot com intervalos de 25% a 75% das respectivas
distribuições, como ilustra a Figura 7.15. O número de neurônios ocultos para estes
testes foi limitado a 2 vezes o número de preditores para redução do tempo de
processamento.
Da mesma forma que na seleção de preditores, adotou-se o teste de Kolmogorov-
Smirnov para duas amostras, utilizando-se estatística de uma banda apenas em 5%
96
de significância. A diferença neste caso é que cada configuração foi comparada ao
grupo controle para se avaliar o ganho relativo de cada modificação. A hipótese nula
do KSTest é de que as amostras são iguais e a alternativa é de que a segunda
amostra é melhor (maior ou menor, em função de RMSE ou R). A Tabela 7.3 lista
os valores obtidos para o teste, lembrando que 0 indica que a hipótese nula é
verdadeira, enquanto 1 indica que a alternativa é verdadeira.
Figura 7.15 – Testes de sensibilidade para cada configuração de RNA para SJCA e
ROTE, acima e abaixo respectivamente.
Tabela 7.3 – Resultados dos testes de Kolmogorov-Smirnov para as diferentes

configurações (testes de sensibilidade) para SJCA e ROTE.
KSTEST Tst1 Tst2 Tst3 Tst4 Tst5 Tst6 Tst7 Tst8 Tst9
RMSE 0 0 0 1 1 0 0 1 1
SJCA
R 0 0 0 1 1 0 0 1 1
RMSE 0 1 0 1 1 0 0 0 1
ROTE
R 0 1 0 1 1 0 0 0 1
97
Os resultados mostram que as alterações propostas nos Testes 4, 5 e 9 foram
benéficas para ambas as estações. A diferença entre elas reside apenas no Teste 2,
que foi melhor para ROTE enquanto o Teste 8 foi melhor para SJCA. A Tabela 7.4
detalha quais modificações foram introduzidas em cada um destes testes. Percebe-
se que o uso de anomalias não-normalizadas e escalonadas no tratamento dos
preditores melhora o desempenho da rede. Outra conclusão importante é que com a
utilização do erro da previsão Ç 4\ – ÇÜ¥X como alvo, as correlações tendem a
aumentar, o que está de acordo com o encontrado por Chou et al. (2007) para
previsões de temperatura.
A primeira diferença se deu na defasagem máxima entre preditor e preditando. Uma
defasagem maior, de +/- 12 horas, foi benéfica para ROTE. Esta pode estar
associada a algum padrão sinótico de escala superior a 12 horas que têm uma
influência importante sobre o vento durante sua aproximação ou afastamento. Uma
análise mais detalhada das defasagens combinadas ao peso de cada preditor no
modelo final da RNA pode trazer evidências do tipo de fenômeno que pode estar
relacionado.
Por fim, a outra diferença restante se deu em relação algoritmo de treinamento
utilizado. Embora o algoritmo TLM apresente uma convergência mais rápida para
todos os casos, o algoritmo TBR teve um desempenho superior para SJCA.
Conforme exposto anteriormente o algoritmo TBR utiliza regularização bayesiana,
evitando que os pesos e bias assumam valores muito elevados e contribuindo para
a generalização da RNA. A estação de SJCA é a que possui a mais longa série de
treinamento o que indica que problemas de generalização não são esperados. A
razão provável deste resultado pode estar relacionada ao processo de treinamento
adotado pelo TBR, que por ser regularizado a princípio não adota uma parcela de
validação para o critério de parada antecipada, podendo eventualmente “decorar”
alguns padrões mesmo para uma série de dados extensa como a de SJCA. Como
uma maneira de contornar esta deficiência, nos treinamentos posteriores pelo
algoritmo TBR uma parcela dos dados foi separada para uma avaliação
independente dos erros finais.
Um aspecto interessante destes resultados é a ausência de benefício com o uso do
Teste 6. Neste teste as anomalias foram calculadas com base em ciclos diários
mensais, e portanto representam apenas oscilações intra-sazonais, o que a
98
princípio pode representar um avanço já que as previsões são de curto-prazo.
Porém, de acordo com os resultados o prejuízo ao desempenho pela ausência do
sinal sazonal é mais relevante do que uma eventual melhoria introduzida pelo teste.
Uma alternativa seria combinar ambos, introduzindo uma variável sintética para
representar o ciclo anual, assim como foi feito para o ciclo diário.
Tabela 7.4 – Testes de sensibilidade aprovados pelo KSTest para SJCA e ROTE.
Aprovado Defasagem Tratamento Algoritmo
Alvo da RNA
para: Máxima Preditores Treinamento
Controle +/- 3h Anom Norm. TLM Vobs 50m
Teste 2 ROTE +/- 12h Controle Controle Controle
Teste 4 SJCA/ROTE Controle Anom Absol. Controle Controle
Teste 5 SJCA/ROTE Controle Anom Escal. Controle Controle
Teste 8 SJCA Controle Controle TBR Controle
Vprev - Vobs
Teste 9 SJCA/ROTE Controle Controle Controle
50m
Um resultado esperado foi a melhoria com o Teste 5. Na assimilação dos dados

pelas redes neurais, é conveniente que estes sejam escalonados entre -1 e 1, pois
este é o domínio original das funções de transferência embutidas em cada neurônio.
A princípio valores não-escalonados demandam um ajuste maior dos vieses
internos à rede, retardando a convergência dos erros. A configuração de RNA
utilizada faz automaticamente o escalonamento das variáveis, no entanto não
preserva sua média em zero. A melhoria observada foi o resultado de se usar
anomalias com média nula preservada. A Figura 7.16 ilustra este escalonamento.
99
Figura 7.16 – Séries temporais de anomalias escalonadas para SJCA e ROTE.
7.6. Avaliação das Previsões
Uma vez que foram definidos os preditores, a arquitetura final e a configuração da

RNA, pode-se dizer que a metodologia de refinamento estatístico do vento por
RNAs está completa. Sua aplicação se deu a princípio sobre as duas estações
utilizadas no seu desenvolvimento, para as quais foram realizados 100 treinamentos
em cada. A Figura 7.17 ilustra a dispersão final obtida entre o vento observado e o
modelado pela RNA a 50 m, e sua comparação com as dispersões anteriores.
100
Figura 7.17 – Dispersão final obtida entre o vento observado e o modelado pela
RNA a 50 m para SJCA e ROTE.
Como pode ser observado, as dispersões finais obtidas para a RNA têm um aspecto
mais esbelto do que as obtidas anteriormente para o ETA/PV e REGP. O valor de R
melhorou significativamente o que indica que a metodologia funciona bem para
estas estações, embora o desempenho para SJCA não tenha sido tão bom quanto
para ROTE. Na etapa seguinte aplicou-se a metodologia para as outras 6 estações,
efetuando-se outros 100 treinamentos para cada uma delas.
Todavia, como foram desenvolvidas duas configurações possíveis de RNA, uma

para ROTE, de agora em diante denominada RNA_LIT (como referência ao litoral),
e a outra para SJCA, denominada RNA_INT (em referência ao interior), foi preciso
testar ambas. A Figura 7.18 ilustra os melhores resultados obtidos para as demais
estações.
Figura 7.18 – Dispersão final obtida entre o vento observado e o modelado pelo
Eta/PV, REGPe RNA a 50 m para as demais estações. PETR (a); TRFO
(b); MAGI (c); GIRP (d); AGUB (e); PALM (f). (Continua).
101
Os resultados apresentados mostram que as RNAs agregam uma quantidade

significativa de variância explicada aos modelos estatísticos em relação às REGPs
para todas as estações analisadas. Cabe lembrar ainda que estas correlações
foram obtidas a partir da avaliação de todo o período de dados. Têm-se ainda que a
comparação entre o desempenho da configuração RNA_LIT e RNA_INT mostrou
que a RNA_LIT é superior para as demais estações, inclusive para a SJCA, como
ilustra a Figura 7.19. Uma razão para isso pode ser porque nos testes de
sensibilidade foram feitas alterações individuais, enquanto no modelo final estas
alterações foram sobrepostas. Com isso é possível que na nova configuração da
RNA_LIT a melhoria tenha se amplificado e superado a RNA_INT. Além disso, nos
resultados finais, o desempenho para o algoritmo de treinamento TBR foi aferido em
relação a um conjunto de validação independente, o que não ocorreu nos testes de
sensibilidade, onde a performance foi avaliada sobre todo o conjunto de dados.
102
1,20
1,00
0,80
Correl. (R)
RNA_INT
0,60
RNA_LIT
0,40
0,20
0,00
Figura 7.19 – Comparação entre as correlações obtidas entre as anomalias de vento

a 50 m para as configurações RNA_LIT e RNA_INT para todas as
estações.
Para uma visualização compacta dos resultados obtidos para cada um dos modelos
e para cada estação foram gerados gráficos comparativos para R e RMSE conforme
ilustram as Figuras 7.20 e 7.21 respectivamente. Com isto fica evidente que o
desempenho das RNAs é superior ao das REGPs para todas as estações. Em
alguns casos esta melhoria é modesta, como nas estações de ROTE e GIRP,
enquanto para os outros esta é mais significativa. É importante ressaltar a melhora
obtida para a estação de SJCA, que é substancial já que possui a mais longo série
de dados com quase 3 anos. A correlação máxima foi 0,90 para a estação de PALM
enquanto os menor RMSE foi obtido para PETR em aproximadamente 0,95 m/s.
1,00
0,90
0,80
0,70
Correl. (R)
0,60
Eta/PV
0,50
REGP
0,40
0,30 RNA
0,20
0,10
0,00
Figura 7.20 – Comparação entre as correlações R entre vento observado e

modelado a 50 m pelo Eta/PV, REGP e RNA para todas as
estações.
103
5,00
4,50
4,00
3,50
3,00
Eta/PV
RMSE
2,50
2,00 REGP
1,50 RNA
1,00
0,50
0,00
Figura 7.21 – Comparação entre os RMSE a 50 m pelos modelos Eta/PV, REGP e

RNA para todas as estações.
Como uma forma de quantificar o incremento de desempenho introduzido pelas

REGPs e RNAs na modelagem estatística do vento foi calculado o índice de
desempenho ou Skill Score da RNA em relação aos modelos Eta/PV e REGP. O
resumo destes resultados está apresentado na Tabela 7.5 incluindo os valores do
desvio RMSE, da correlação R e do viés (BIAS) para cada estação. O cálculo
destes índices foi efetuado utilizando-se toda a série de dados disponível.
A partir desta avaliação final dos resultados é possível determinar o quão efetivo é o
método proposto na modelagem do vento para diversos locais do nordeste
brasileiro. Têm-se ainda a possibilidade de inferir de que forma o tamanho das
séries anemométricas utilizadas e também características locais, podem afetar o
desempenho do método proposto.
Os melhores desempenhos foram registrados para PALM, TRFO, ROTE e GIRP,
com valores de R chegando à 0,90. O menor valor de RMSE, no entanto foi
registrado para ROTE, possivelmente devido ao ciclo diário pouco acentuado da
região. O modelo Eta/PV teve seu melhor desempenho para SJCA, onde a
correlação chegou a 0,58. Percebe-se que os valores de SKILL (RMSE) em relação
ao Eta/PV têm pequena dispersão, estando entre 55% e 70%, o que sugere que
quanto maior o erro do modelo Eta, maior também será o erro da RNA. O inverso
ocorre para o SKILL (R) em relação ao Eta/PV, onde há grande dispersão dos
valores. Isto é justificável se admitirmos que as correlações R tendem a um limite de
previsibilidade para o tipo de modelagem adotado entre 0,80 e 0,90. Portanto
104
quanto melhor são os resultados do Eta/PV menor é o ganho relativo possível para
as RNAs.
Os maiores valores de SKILL (RMSE) e SKILL (R) em relação à REGP ocorreram
para as estações de PETR, TRFO e PALM que possuem o entorno mais
heterogêneo, o que demonstra a aplicabilidade das RNAs a locais de topografia
acidentada e vegetação irregular.
Tabela 7.5 – Resumo dos resultados obtidos pela modelagem por REGP e RNA
para cada estação anemométrica.
RMSE (m/s) R BIAS (m/s) SKILL (RMSE) SKILL (R)
Eta REG RNA Eta REG RNA Eta REG RNA Eta REG Eta REG
PETR 2,80 1,46 0,95 0,40 0,48 0,81 -1,13 0,00 -0,01 -66% -35% 103% 67%
SJCA 3,10 1,79 1,37 0,58 0,63 0,80 -1,70 -0,04 0,00 -56% -24% 39% 28%
TRFO 4,59 2,11 1,36 0,37 0,68 0,88 3,64 0,06 0,17 -70% -36% 136% 29%
ROTE 2,87 1,29 0,93 0,34 0,70 0,87 -0,43 -0,03 0,07 -68% -28% 153% 24%
MAGI 2,30 1,33 1,04 0,35 0,68 0,83 0,67 -0,04 0,04 -55% -22% 137% 21%
GIRP 3,23 1,53 1,33 0,31 0,81 0,87 1,28 0,04 0,15 -59% -14% 182% 7%
AGUB 3,52 1,59 1,39 0,22 0,76 0,83 2,36 -0,07 0,07 -61% -13% 273% 9%
PALM 4,63 1,70 1,15 0,39 0,75 0,90 -3,47 -0,02 0,15 -75% -32% 128% 19%
Em geral os valores de erro e correlação obtidos para o modelo em RNAs foi

considerado satisfatório quando comparados à literatura. Os valores para RMSE de
trabalhos similares oscila entre 1,38 m/s e 2,08 m/s e as correlações entre 0,79 e
0,87. Pode-se concluir que as correlações estiveram sempre acima da expectativa e
os maiores valores de RMSE ficaram no limite inferior dos valores da literatura, o
que pode ser considerado um bom resultado. Entretanto, as particularidades de
cada trabalho devem ser consideradas uma vez que há fatores que influenciam os
resultados como o tamanho das séries anemométricas, sua resolução temporal e o
método de modelagem e avaliação dos erros empregado.
Por fim, para visualizar com maiores detalhes em uma escala temporal em quais
momentos a RNA se comporta melhor em relação à REGP e ao Eta/PV, foram
geradas figuras das séries temporais de vento a 50 m onde as diferentes previsões
são comparadas para um horizonte de 5 dias consecutivos. A Figura 7.22 ilustra
105
estas séries para as 8 estações, onde os períodos de maior interesse estão
circulados em vermelho. Nota-se pela figura que o desempenho das RNAs se
diferencia dos demais principalmente para os valores extremos, mínimos e
máximos, e para variações bruscas de vento.
Figura 7.22 – Comparação entre as séries temporais de Eta/PV, REGP e RNA e o

vento observado a 50 m para (a) PETR; (b) SJCA; (c) TRFO; (d)
ROTE; (e) MAGI; (f) GIRP; (g) AGUB; (h) PALM. Regiões de
interesse destacadas em vermelho. (Continua).
106
Figura 7.18 – Continuação. (Continua).
107
7.7. Avaliação dos Pesos dos Preditores
Uma análise complementar que pode trazer benefícios quanto à compreensão das
magnitudes dos fenômenos envolvidos na modelagem estatística do vento é a
determinação da influência de cada preditor sobre o resultado final, o que pode ser
entendido como seu peso final no modelo de RNAs. Cada preditor da RNA foi
levemente deslocado do seu valor original para duas posições, uma em +10%
(Delta+) e outra em -10% (Delta+) em relação suas anomalias máximas, onde as
saídas do vento obtidas foram comparadas à saída original. Com isso admite-se que
o viés apresentado pela nova saída de vento representa sua sensibilidade em
relação àquele preditor, em valores percentuais. Cabe ressaltar que este foi
deslocado para mais e para menos porque a sensibilidade pode ser diferente para
um dos lados uma vez que o modelo é não-linear. Repetindo-se este passo para
todos os preditores têm se o mapeamento dos pesos de cada preditor no modelo
final. Estas informações podem ser úteis inclusive para orientar melhorias no
tratamento do vento em modelos de mesoescala.
108
Os preditores selecionados para as estações de SJCA e ROTE durante a
configuração da RNA estão listados pela Tabelas 7.6 e Tabela 7.7 respectivamente.
Estes foram os mesmos preditores utilizados pelas demais estações, os de ROTE
para MAGI, por ser no litoral, e os de SJCA para as demais estações do interior.
Nestas tabelas estão descritos o nível de cada preditor, a escala de tendência
quando for o caso, a defasagem de máxima correlação e os respectivos impactos
sobre o vento modelado pelas RNAs.
109
Tabela 7.6 – Preditores selecionados para SJCA e respectivos impactos sobre o vento modelado pela RNA. As defasagens
mostradas significam atraso na previsão quando negativas.
Nro Variável Nível (hPa) Tendência Defasagem (h) Descrição Delta(-) Delta(+)
1 apcpsfc sfc 1 Precipitação total 0,1% 0,0%
2 dlwrfsfc sfc 0 Onda longa Descendente 0,0% -0,1%
3 dswrfsfc sfc -1 Onda Curta Descendente -1,0% 1,0%
4 lhtflsfc sfc 0 Fluxo calor latente -2,7% 2,5%
5 shtflsfc sfc -1 Fluxo de calor sensível 3,3% -3,1%
6 tmp2m sfc -1 Temperatura a 2m -6,5% 6,0%
7 ugrd10m sfc 0 Vento zonal a 10 m 3,0% -2,5%
8 vgrd10m sfc 0 Vento meridional a 10 m 6,7% -6,9%
9 hgtprs500 500 0 Altura geopotencial da camada 0,4% -0,5%
11 spfhprs950 950 0 Umidade especifica da camada 1,2% -1,2%
12 spfhprs500 500 0 Umidade especifica da camada 2,9% -2,8%
13 spfhprs200 200 1 Umidade especifica da camada -14,9% 11,6%
14 tmpprs1000 1000 0 Temperatura da camada 0,7% -0,8%
15 tmpprs900 900 -1 Temperatura da camada 3,9% -4,1%
18 ugrdprs1000 1000 0 Vento zonal na camada 0,5% -0,6%
20 ugrdprs900 900 0 Vento zonal na camada -2,1% 2,1%
Continua
110
Tabela 7.6 – Conclusão
22 vgrdprs925 925 0 Vento meridional na camada -4,0% 4,2%
23 vgrdprs900 900 0 Vento meridional na camada 4,3% -3,4%
25 wndmag10 sfc 0 Magnitude do vento a 10 m -7,9% 7,6%
26 ghdlwrfsfc sfc horário 1 Onda longa Descendente 0,1% -0,1%
27 ghdswrfsfc sfc horário -1 Onda Curta Descendente -0,3% 0,3%
28 ghlcdclcl sfc horário 0 Fr. de cobert. nuvens baixas 0,6% -0,5%
29 ghshtflsfc sfc horário -1 Fluxo de calor sensível 0,7% -0,7%
30 ghtmp2m sfc horário 1 Temperatura a 2m 1,2% -1,2%
31 ghtmpprs950 950 horário 1 Temperatura da camada 0,6% -0,5%
32 ghtmpprs925 925 horário 1 Temperatura da camada -1,1% 1,1%
33 ghtmpprs850 850 horário 1 Temperatura da camada -1,7% 1,6%
34 uxvisc sfc 0 Fluxo de momentum fricção -0,8% 0,8%
35 uwflux sfc 0 Fluxo de momentum vertical 1,3% -1,3%
36 gdapcpsfc sfc diário -1 Precipitação total -0,8% 0,8%
37 gdlcdclcl sfc diário 0 Fr. de cobert. nuvensbaixas -1,7% 2,1%
38 gdvgrdprs950 950 diário 0 Vento meridional na camada -1,0% 1,0%
39 gdwndmag10 sfc diário 0 Magnitude do vento a 10 m 2,3% -2,2%
40 uxdvgd sfc diário 0 Fluxo de momentum vertical -1,5% 1,5%
41 wave4 sfc 0 Onda senoidal com máx. às 10Z 1,4% -1,2%
111
Tabela 7.7 – Preditores selecionados para ROTE e respectivos impactos sobre o vento modelado pela RNA. As defasagens
mostradas significam atraso na previsão quando negativas.
Nro Variável Nível (hPa) Tendência Defasagem (h) Descrição Delta(-) Delta(+)
1 msletmsl sfc -11 Pressão media nível do mar (Eta) -8,5% 8,6%
2 spfh10m sfc 0 Umidade especifica a 10m -5,1% 4,9%
3 tcdcclm sfc 9 Cobertura total de nuvens -44,9% 41,3%
4 hgtprs1000 1000 -11 Altura geopotencial camada -27,6% 27,4%
5 hgtprs900 900 -11 Altura geopotencial da camada 24,5% -24,6%
7 spfhprs850 850 -9 Umidade especifica da camada 2,6% -2,8%
8 tmpprs1000 1000 -8 Temperatura da camada -0,1% 0,2%
9 tmpprs950 950 -10 Temperatura da camada 1,3% -1,9%
11 ugrd10m sfc 0 Vento zonal a 10 m -4,2% 3,8%
13 ugrdprs850 850 -5 Vento zonal na camada -3,3% 3,3%
14 ugrdprs200 200 -6 Vento zonal na camada -0,9% 0,9%
15 ugrdprs1000 1000 0 Vento zonal na camada -14,6% 14,6%
17 vgrdprs950 950 0 Vento meridional camada -28,6% 29,2%
18 vgrdprs925 925 0 Vento meridional camada 33,2% -32,5%
Continua
112
Tabela 7.7 – Conclusão
21 vgrdprs200 200 -3 Vento meridional camada -12,1% 12,5%
22 wndmag10 sfc 0 Magnitude do vento a 10 m -41,9% 42,1%
23 wnddir10 sfc -4 Direção do vento a 10 m 6,5% -6,5%
24 ghspfh10m sfc horário 10 Umidade especifica a 10m 0,4% -0,4%
25 ghhgtprs500 500 diário -6 Altura geopotencial camada -1,2% 1,1%
26 ghspfhprs925 925 horário -2 Umidade especifica camada 0,2% -0,1%
27 ghtmpprs950 950 horário -6 Temperatura da camada -1,1% 1,1%
28 uwsdy2 sfc -6 Fluxo momento reg. perman. 2,6% -2,6%
29 gdmsletmsl sfc diário -11 Pressão media nível do mar -5,2% 5,2%
30 gdugrd10m sfc 3 Vento meridional a 10 m 4,1% -4,7%
31 gdhgtprs200 200 diário 0 Altura geopotencial camada 26,0% -26,6%
32 gdspfhprs1000 1000 diário 8 Umidade especifica camada 12,8% -12,7%
33 gdspfhprs850 850 diário -9 Umidade especifica camada 0,4% -0,4%
34 gdspfhprs500 500 diário 0 Umidade especifica camada -5,0% 4,9%
35 gdtmpprs1000 1000 diário 0 Temperatura da camada 9,7% -9,7%
36 gdtmpprs950 950 diário 8 Temperatura da camada 0,9% -0,7%
37 gdugrdprs950 950 diário 4 Vento zonal na camada 9,5% -9,1%
38 gdugrdprs900 900 diário 11 Vento zonal na camada 1,6% -1,7%
39 gdugrdprs850 850 diário 0 Vento zonal na camada -4,3% 4,3%
40 gdvgrdprs1000 1000 diário -11 Vento meridional camada -0,6% 0,2%
41 gdvgrdprs850 850 diário -11 Vento meridional camada 10,7% -10,4%
42 gdvgrdprs500 500 diário 11 Vento meridional camada 2,8% -2,7%
43 gdwndmag10 sfc diário 5 Magnitude do vento a 10 m -4,1% 4,2%
113
Durante a etapa de seleção de preditores, chegou-se para SJCA a 41
preditores enquanto para ROTE chegou-se a 43, um número bastante próximo.
Lembrando que para as duas estações foi adicionado ainda o vento modelado
pela REGP ao conjunto de preditores, o qual não está listado pelas tabelas
acima. Percebe-se que os conjuntos de preditores são bastante diferentes
entre si, o que é até certo ponto compreensível devido à diversidade entre o
litoral e o sertão. Há uma variação grande entre as defasagens máximas
definidas para cada estação (±1 h e ±11 h), o que pode justificar a diferença
nos preditores. Não se pode negar todavia que há a deficiência do método de
seleção, uma vez que a REGP é sensível à ordem em que os preditores são
acrescentados, enquanto a RNA pode modelar algum ruído do sinal que não
tem relação com os fenômenos de interesse. Por isso, somente a análise dos
pesos dos preditores e sua comparação entre as estações pode trazer
informações mais confiáveis sobre as variáveis mais relevantes para a
modelagem estatística do vento.
Analisando os resultados da Tabela 7.6 e Tabela 7.7 percebe-se que a

magnitude do impacto dos preditores em SJCA é bem menor do que para
ROTE. Isto pode ter como causa a série mais curta disponível para treinamento
em ROTE, que permite uma maior flexibilidade para o ajuste dos pesos dos
preditores. A RNA para SJCA já aparenta ser bem mais estável o que a leva a
ter uma maior capacidade de generalização.
Investigando as variáveis de maior impacto destacadas nas tabelas, pode-se

notar para SJCA uma forte influência da umidade em altos níveis (-14,9% /
+11,6%), afetando positivamente o vento, ou seja, maior umidade em altos
níveis maior a intensidade do vento em superfície. Pela defasagem de +1 h
esta deve estar associada à intensificação do vento pela presença de sistemas
convectivos intensos. Não é possível distinguir se estes sistemas estão
associados a forçantes dinâmicas, como VCANs ou ZCIT, devido ao baixo
impacto dos sinais de altura geopotencial e temperatura em níveis mais
elevados. Do mesmo modo nota-se a influência positiva da temperatura a 2 m
114
(-6,5% / +6,0%) o que sugere novamente a intensificação do vento por
circulações locais de origem térmica. Um aspecto intrigante destes resultados é
a inversão que há na influência do vento meridional em diferentes níveis.
Enquanto em 925 hPa o vento meridional afeta positivamente a magnitude do
vento (-4,0% / +4,0%), para o vento a 10 m esta influência é inversa (6,7% / -
6,9%). Como estas duas variáveis estão altamente correlacionadas, uma
hipótese seria que a influência de ambas está se somando no interior da RNA e
a diferença entre elas fornece um sinal de cisalhamento do vento meridional.
Já com relação à ROTE, nota-se um forte impacto positivo da cobertura de

nuvens (-44,9% / 41,3%) o qual não aparenta estar associado à
desintensificação da brisa marítima, mas sim a algum contexto sinótico uma
vez que maior nebulosidade causa um aumento do vento. Além disso a
defasagem indica que o vento se intensifica em média 9 h antes do aumento de
nebulosidade o que deve estar relacionado à aproximação de algum sistema
sinótico. É evidente ainda uma associação inversa entre a altura geopotencial
na camada em 200 hPa e o vento (26,0% /-26,6%), que deve pode estar
associado à chegada de um VCAN, ou ao afastamento da ZCIT. Neste caso,
como a defasagem não indica nenhum aumento da correlação numa escala de
±11 h, acredita-se que a segunda opção é a mais provável. Observa-se ainda a
alternância de influência do vento meridional em baixos níveis, conforme
observado para SJCA e também a alternância de influência da altura
geopotencial em baixos níveis. Como já foi discutido, estas por serem
altamente correlacionadas se cancelam no interior da rede onde apenas o
resíduo se torna relevante. Por fim, têm-se a forte influência positiva do vento
previsto a 10 m, como já era esperado, e uma intensificação do vento com o
aumento do gradiente diário de pressão em superfície Um fator interessante é
dado pela variação da direção do vento, que indica ventos mais fracos quando
vindos de sul.
Estes resultados, apesar de rudimentares já trazem informações relevantes

sobre a relação dos fenômenos atmosféricos com o vento. Análises mais
115
aprofundadas e criteriosas são possíveis, o que evidencia a potencialidade das
RNAs também para o diagnóstico de mecanismos físicos complexos. É
importante considerar nestes casos que a RNA não possui recurso similar ao
das regressões passo-a-passo, uma vez que não identifica preditores
redundantes. Eventualmente os modelos em RNAs podem fazer uso de
preditores altamente correlacionados, porém em regiões distintas de sua
topologia. Cabe a quem faz a configuração da rede neural encontrar formas de
deixar o modelo o mais simples e eficiente possível.
7.8. Impactos sobre a Potência Eólica Disponível
As previsões de vento obtidas por cada modelo foram aplicadas sobre uma
curva de potência de uma aerogerador de 2,1 MW. Para isso foi necessário
extrapolar a magnitude do vento para a altura de cubo referente a este
aerogerador, que é de 80 m. A extrapolação foi feita utilizando o perfil
logarítmico do vento e o valor das rugosidades já calculado anteriormente.
Foram geradas séries de potência eólica disponível com resolução horária para
todo o período de dados das estações. A Figura 7.23 mostra a comparação
entre a potência eólica disponível prevista por cada um dos modelos para um
horizonte de 72 h.
116
Figura 7.23 – Comparação entre as séries temporais de potência eólica (kW)
dadas pelo Eta/PV, REGP e RNA em relação à potência teórica
observada a 80 m para (a) PETR; (b) SJCA; (c) TRFO; (d)
ROTE; (e) MAGI; (f) GIRP; (g) AGUB; (h) PALM. Áreas de
interesse em destaque.(Continua).
117
118
Nota-se que para a potência eólica, a RNA representa a série observada um

pouco melhor do que a REGP, enquanto ambas apresentam um desempenho
bem superior ao Eta/PV. Este ganho das RNAs varia em função da amplitude
média do ciclo diário do vento em cada local, uma vez que a relação entre o
vento e a potência não é linear, como descrito anteriormente pela Equação
6.21. Esta variação ocorre porque a RNA foi obtida pela minimização do erro
quadrático médio do vento, portanto é compreensível que a conversão em
potência eólica degrade seu desempenho. O ideal seria utilizar como critério de
treinamento da RNA o erro quadrático da potência eólica disponível, ou pelo
menos um polinômio que represente o grau de não-linearidade típico da curva
de potência de um aerogerador. Eventualmente, a simples inclusão de um filtro
para eliminar a influência do erro para as regiões tabulares da curva de
potência, leia-se velocidades inferiores à de partida (~4 m/s) ou superiores à de
máxima potência (~14 m/s), já traria benefícios para a modelagem estatística
da potência eólica.
Neste contexto, ao se avaliar o desempenho da RNA entre as estações de

SJCA e ROTE, fica evidente o que foi exposto acima. ROTE possui um ciclo
diário muito suave, o que favorece a previsibilidade da RNA, enquanto SJCA
possui um ciclo bastante acentuado, o que degrada bastante as previsões.
Para as outras estações, o desempenho das RNAs é satisfatório, superando
frequentemente o desempenho das REGPs, principalmente para oscilações de
119
freqüência mais alta. Cabe ressaltar que ainda assim a REGP foi capaz de
eliminar a maior parte do erro quando comparada ao Eta/PV, mostrando o quão
essencial é o uso de um refinamento estatístico nas previsões de vento e
potência eólica.
A partir destas estimativas foi calculado o erro instantâneo e o erro absoluto

para cada um dos modelos. O erro absoluto é um parâmetro mais adequado
para avaliar visualmente de que forma o erro se comporta com o tempo. A
Figura 7.24 traz as séries temporais de erro absoluto para a potência eólica
durante 15 dias consecutivos.
Figura 7.24 – Comparação entre os erros absolutos de potência eólica (kW)

dadas pelo Eta/PV, REGP e RNA em relação à potência teórica
observada a 80 m para (a) PETR; (b) SJCA; (c) TRFO; (d)
ROTE; (e) MAGI; (f) GIRP; (g) AGUB; (h) PALM. (Continua).
120
121
Analisando os gráficos acima, percebe-se claramente um ciclo diário do erro

associado aos períodos de máxima intensidade do vento. Isto suporta o que já
foi mencionado anteriormente de que erros baixos podem não significar um
modelo melhor, mas sim uma condição de vento fraca no local. O correto seria
comparar erros de modelagem entre locais de densidade de potência eólica
parecidas.
A etapa seguinte consistiu no cálculo do ganho de confiabilidade em termos de

energia garantida no prazo de 24 horas com o uso de um modelo mais
refinado. Foram calculados os histogramas para as distribuições de erro de
cada estação. Como já era esperado, o aspecto dos histogramas se torna mais
esbelto com a utilização de um modelo mais refinado, como ilustra a Figura
7.25.
122
Figura 7.25 – Histograma da distribuição do erro entre a potência eólica
prevista e disponível pelo Eta/PV, REGP e RNA para cada
estação. Valores negativos indicam que a previsão subestimou
seu valor, em percentuais da potência nominal do aerogerador.
(Continua).
123
Os histogramas acima indicam qual a freqüência do erro para cada intervalo

onde as RNAs se mostraram mais precisas que os demais modelos. A simetria
encontrada tanto nas curvas para as RNAs quanto para as REGPs indica que a
média do erro está próxima de zero, ou seja, possuem viés muito baixo. Isto
não se verifica para as previsões do Eta/PV, a qual apresenta histogramas
bastante assimétricos em geral. Isto deverá ser considerado ao se calcular as
probabilidades de erro de cada modelo, como será visto mais adiante. Uma vez
mais nota-se o efeito dos “degraus” na curva de potência do aerogerador, que
faz com que o erro nulo tenha uma freqüência maior que o esperado para
distribuições associadas a processos físicos comuns, ficando evidente pelo
pico no centro dos histogramas.
124
Estas distribuições foram ajustadas por um suavizador para distribuições não-
paramétricas do tipo ‘kernel’ normalizado, a partir das quais foram obtidas as
funções de densidade de probabilidade acumulada ou CDFs para cada modelo
em cada estação. Estas funções nos permitem calcular qual a probabilidade de
ocorrência de uma determinado valor de erro para cada modelo utilizado e
serão úteis no cálculo da potência eólica garantida para uma probabilidade
específica. A Figura 7.26 ilustra as curvas CDF obtidas.
Figura 7.26 – Funções de densidade de probabilidade acumulada da diferença

entre a potência eólica prevista e disponível pelo Eta/PV, REGP
e RNA para cada estação. Valores negativos indicam que a
previsão subestimou os valores, em percentuais da potência
nominal do aerogerador. Eixo horizontal limitado em ±50%.
Indicados adicionalmente os valores de MAE. (Continua).
125
A partir destas curvas pode-se identificar as estações que tendem a ter sua
potência superestimada pelo Eta/PV como PETR, SJCA, ROTE e PALM assim
como aquelas que tendem a ser subestimadas como TRFO, GIRP e AGUB. A
probabilidade de ocorrência chega a ser de mais de 80% para super-
estimativas em PALM e mais de 90% para sub-estimativas em TRFO. Já os
modelos REGP e RNA são bastante equilibrados, porém as RNAs apresentam
menores erros, como já visulizado pelos valores de RMSE indicado nas figuras.
Quando se fala em potência eólica garantida, considera-se esta a potência

mínima esperada para uma determinada probabilidade de ocorrência p.
Conhecendo-se as funções de probabilidade acumulada de erro das previsões
é possível obter a potência mínima esperada ao longo do dia. Estas funções
126
podem ser divididas por horário do dia, por horizonte de previsão ou
simplesmente consideradas constantes ao longo do tempo. Neste caso, como
estão sendo avaliadas diversas estações simultaneamente e o objetivo não é
operacional, mas sim obter uma ordem de grandeza destes valores optou-se
por utilizar uma CDF constante ao longo do tempo para cada estação.
Adotou-se o valor de probabilidade P de 90%, ou seja, representa o limite

inferior de uma previsão para o qual a probabilidade de ocorrência de um valor
igual ou superior é de 90%. Fazendo-se a diferença entre os limites de cada
previsão, é calculado o ganho efetivo em termos de potência (kW) disponível
para cada aerogerador instalado com uma resolução horária. Uma
consideração importante é que o viés de cada modelo deve ser igual para que
esta comparação seja efetiva. Como as RNAs e as REGPs possuem um viés
quase nulo enquanto o ETA/PV apresenta viés significativo, foi preciso remover
o viés do Eta/PV para dar prosseguimento à análise.
Em uma primeira estimativa, admite-se que um operador de parque eólico

decida comercializar este excedente de potência no mercado de curto-prazo.
Considerando um valor aproximado de R$ 45,00 por MWh foi calculada a
receita adicional que poderia ser obtida com o aumento da energia garantida
entre a RNA e o Eta/PV e entre a RNA e a REGP. É importante ressaltar que
este é um exemplo hipotético onde as peculiaridades do processo de
contratação e liquidação de energia não estão sendo consideradas. A Tabela
7.8 ilustra estes valores para cada parque em totais mensais. Percebe-se que
as quantias são relevantes mesmo quando comparados RNAs às previsões
pela REGP o que mostra que esta pode ser uma ferramenta importante para a
viabilidade econômica de parques eólicos em determinadas regiões do Brasil
127
Tabela 7.8 – Receita adicional por aerogerador devido à comercialização do
excedente de energia garantida.
Energia adicional diária (kWh) Receita Bruta Mensal

Estação
RNA/Eta RNA/REG RNA/Eta RNA/REG
PETR 18314 2868 R$ 24.723,92 R$ 3.871,51
SJCA 17389 3122 R$ 23.474,55 R$ 4.215,06
TRFO 12800 7898 R$ 17.279,98 R$ 10.662,72
ROTE 19940 2906 R$ 26.918,69 R$ 3.923,23
MAGI 8279 2704 R$ 11.176,22 R$ 3.650,23
GIRP 17782 3411 R$ 24.005,09 R$ 4.605,09
AGUB 8189 2606 R$ 11.054,94 R$ 3.518,77
Outra aplicação direta destes resultados seria na previsão de energia

disponível em escala regional. Utilizando o desempenho médio da RNA para as
estações analisadas e considerando a potência eólica instalada no nordeste
brasileiro em torno de 1 GW, assumindo aerogeradores similares, pode se
estimar o ganho nas previsões horárias em termos de potência garantida para
a região. A comparação das RNAs ao modelo Eta/PV levou a uma diferença
média de potência disponível de 293 MW enquanto em relação aos modelos
REGP a diferença foi de 77 MW. Esta informação poderia auxiliar a ONS no
gerenciamento da geração e dos despachos de carga, reduzindo perdas por
transmissão e o tempo de operação das usinas termoelétricas. Na medida em
que a capacidade eólica instalada cresce, ferramentas deste tipo ganham uma
importância maior.
Para efeito de comparação foram calculados os valores de MAE e RMSE para

cada modelo. As Figuras 7.27 e 7.28 ilustram estes valores onde nota-se a
RNA se sempre abaixo dos demais.
128
50
45
MAE (% Pot. Nominal)
40
35
30
Eta/PV
25
20 REGP
15 10,4 11,2 10,9 10,6 RNA
9,8
10 6,8 7,7 6,9
5
0
Figura 7.27 – MAE obtido para as estimativas de potência eólica por estação.
Rótulos para valores das RNAs.
60,00
50,00
RMSE (% Pot. Nominal)
40,00
Eta/PV
30,00
REGP
20,00 15,8 17,2 16,6
15,0 15,0 RNA
12,5 11,5
10,3
10,00
0,00
Figura 7.28 – RMSE obtido para as estimativas de potência eólica por estação.
Rótulos para valores das RNAs.
A partir destes valores para os erros médios foi possível fazer uma comparação
com os resultados encontrados na literatura. Para o erro normalizado de
potência eólica disponível os valores de MAE oscilam entre 12% a 17,6%
enquanto para o RMSE entre 11,1% a 20%. Os valores encontrados neste
trabalho variam bastante entre as estações, sendo que para algumas o MAE foi
inferior a 7% como PETR e ROTE enquanto os melhores valores de RMSE
ficaram entre 10,3% e 12,5%. A média das estações ficou em 9,3% para MAE
e 14,2% para RMSE, o que está coerente com a literatura.
129
Sem dúvida as características das séries de vento e potência utilizadas em
cada trabalho é diferente o que torna a comparação direta não conclusiva.
Neste trabalho as séries foram avaliadas integralmente, porém o tamanho das
séries diferem entre si. A princípio séries menores podem favorecer os modelos
de REGP e RNA apresentados acima. A determinação do tamanho mínimo das
séries anemométricas para garantir uma boa capacidade de generalização
para os modelos estatísticos demanda um estudo mais abrangente
De um modo geral os resultados obtidos neste estudo foram satisfatórios e
atenderam a seu principal objetivo que era o desenvolvimento e validação de
uma metodologia de refinamento estatístico do vento aplicado ao setor eólio-
elétrico do nordeste brasileiro.
130
8 CONCLUSÃO
O presente trabalho investigou vários aspectos da modelagem estatística do

vento, compreendendo desde o pré-processamento das variáveis, a seleção de
preditores, as regressões lineares múltiplas, a definição da arquitetura e
treinamento de redes neurais e posterior avaliação dos modelos e de seu
impacto sobre a potência eólica.
Os desempenhos obtidos tanto pelas redes neurais quanto pelas regressões

lineares múltiplas foram capazes de remover praticamente todo o erro
sistemático do modelo Eta/PV e ainda elevar significativamente as correlações
para todas as estações analisadas. Isto evidenciou a importância do
acoplamento de modelos estatísticos às saídas dos modelos de PNT para
obter previsões de grandezas de grande variabilidade espacial, como é o caso
do vento próximo à superfície.
O desempenho das redes neurais artificiais em relação às regressões lineares

múltiplas se mostrou relevante, muito embora a diferença para algumas
estações tenha sido pequena.
Na previsão do vento a 50 m o viés do modelo Eta/PV variou de -0,43 m/s para

ROTE a -3,47 m/s para PALM enquanto as REGPs e RNAs mantiveram-no
abaixo de 0,15 m/s para todas as estações.
As correlações do Eta/PV foram em geral modestas, se mantendo sempre

abaixo de 0,6, enquanto as REGPs e RNAs elevaram as correlações para a
faixa de 0,7 a 0,9. A máxima correlação para as REGPs foi de 0,76, obtido para
AGUB enquanto a máxima para as RNAs foi de 0,90, obtido para PALM.
O RMSE sofreu grande redução com o uso do ajuste estatítico, pois enquanto
o Eta/PV indicava valores entre 2,30 m/s a 4,63 m/s, as REGPs levaram à faixa
de 1,33 m/s a 2,11 m/s, e as RNAs reduziram a valores entre 0,95 m/s e 1,39
m/s.
Nas estimativas de potência eólica as diferenças entre os modelos foram

reduzidas, principalmente porque a curva de potência do aerogerador atua
131
como um filtro, eliminando os erros para valores muito baixos, restritos pela
velocidade de corte, ou muito altos, restritos pela velocidade de potência
nominal.
A função de custo adotada como critério de treinamento para a rede neural não
contempla estes aspectos da curva de potência, mostrando que o desempenho
das previsões de potência eólica se degrada para locais onde o ciclo diário é
bastante acentuado, como é o caso de SJCA.
Os valores para o RMSE da potência eólica encontrados ficaram entre 12% e

18% da potência eólica nominal, o que está dentro da faixa encontrada na
literatura que chega no mínimo a 11,1%.
As estimativas de probabilidade de potência eólica disponível para um

horizonte de curto-prazo se mostraram consistentes, evidenciando ganhos de
até 35% da potência nominal horária com o uso de modelos estatísticos mais
sofisticados em relação ao Eta/PV.
Foi desenvolvido e avaliado um método de extrapolação vertical onde admite-

se uma atmosfera em média neutra e calcula-se a rugosidade pela
minimização do erro no nível mais elevado. Deste modo pôde-se eliminar o
viés ou reduzir o MAE a valores inferiores a 0,65 m/s.
Com a metodologia adotada para a seleção dos preditores mostrou-se uma

nova maneira de contornar a deficiência das correlações em diagnosticar
relações não-lineares, adotando-se de uma seleção em três etapas: a primeira
por limiares de correlação; a seguinte por regressões lineares múltiplas passo-
a-passo, que eliminam redundâncias lineares; e por fim treinamentos em RNAs
por subconjunto de preditores. A comparação entre as famílias de solução de
cada subconjunto foi feita por testes de kolmogorov-Smirnov para duas
amostras, levando a resultados conclusivos para o melhor conjunto de
preditores.
A configuração das redes neurais apresenta uma grande diversidade de

opções, neste sentido os testes de sensibilidade se mostraram uma forma
132
criteriosa de otimização de alguns parâmetros, devendo ser utilizado sempre
que possível.
A otimização do número de neurônios ocultos não se mostrou conclusiva, pois

apesar de se evidenciar uma convergência do erro para a estação de ROTE, o
mesmo não ocorreu para SJCA, o que mostra que há outras restrições ao
desempenho do modelo.
A investigação do peso de cada preditor no modelo final de rede neural sugeriu

relações interessantes com sistemas sinóticos e fenômenos locais, mostrando
a importância de se utilizar variáveis em níveis mais elevados para a previsão
do vento.
A inclusão de preditores sintéticos, derivados de outras variáveis, trouxe um

incremento de desempenho, uma vez que alguns foram selecionados como
preditores no modelo final. No entanto a análise de seu peso não mostrou
influência significativa nas saídas das RNAs.
Os testes entre as configurações de RNA obtidas para o interior (SJCA) e litoral

(ROTE) não evidenciaram um padrão de comportamento semelhante para
estações localizadas mais próximas, o que mostra que a complexidade
intrínseca do modelo em RNAs faz com que variações de pequena escala
tenham forte influência sobre seu desempenho.
Com base no que foi exposto acima, o principal objetivo do trabalho foi
atingido. Considera-se que pela complexidade tanto dos fenômenos que
influenciam o vento em superfície quanto da técnica de modelagem por RNAs
este é um campo de estudos bastante vasto, e que as análises realizadas
foram compatíveis com o escopo de um mestrado. Espera-se portanto que os
resultados apresentados acima motivem a continuidade das pesquisas na área.
133
134
9 SUGESTÕES DE TRABALHOS FUTUROS
Utilização de arquitetura de RNA com processamento temporal.
Durante o presente trabalho identificou-se que a RNA empregada muitas vezes

não possui recursos suficientes para extrair relações temporais relevantes
entre os preditores. Uma alternativa seria o emprego de redes neurais
recorrentes, as quais embora mais difíceis de treinar, podem extrair uma
infinidade de informações a partir de poucos preditores.
Utilização de preditores provenientes de previsão numérica por conjunto

(Ensemble)
Previsões por conjunto possibilitam inferir o grau de previsibilidade da

atmosfera para um determinado horizonte de previsão, reduzindo as
incertezas. A princípio esta poderia ser uma boa forma de adicionar
confiabilidade às saídas das redes neurais. Este trabalho passaria
necessariamente por uma redefinição dos critérios para inclusão de preditores,
a fim de evitar o acréscimo de informação redundante à RNA.
Treinamento de redes neurais sazonais
Sabe-se que os sistemas de tempo atuantes em determinada região

geralmente variam ao longo do ano. Neste trabalho as redes foram treinadas
considerando-se um período único ao longo do ano. Uma opção seria treinar as
redes separadamente para cada época, definindo também os respectivos
grupos preditores mais adequados.
135
Utilização de uma curva de potência como saída da RNA
Conforme discutido no texto acima, a conversão da previsão de vento em

previsão de potência eólica degrada seu desempenho devido à não linearidade
da curva de potência. Para previsões de potência eólica o ideal seria utilizar
uma função de custo para o treinamento das RNAs que seja similar a esta
curva de potência, fazendo com que a otimização da RNA seja aplicada
diretamente à potência eólica disponível.
Separação das condições sinóticas por análise de agrupamento (cluster)
A situação sinótica é provavelmente a principal forçante sobre os campos de

vento em superfície. Uma análise interessante seria a separação das
condições sinóticas por análise de cluster, valendo-se de isolinhas de
geopotencial, para então treinar a rede neural especificamente para cada
agrupamento de condições, o que facilitaria bastante o reconhecimento de
padrões por parte da RNA.
Refinamento de modelos climáticos
Partindo-se do pressuposto que as relações entre as variáveis atmosféricas e o

vento em superfície se preservam para uma escala longa de tempo, modelos
em RNAs treinados para curto-prazo a princípio funcionariam como funções de
diagnóstico do vento em um determinado local quando acoplados às saídas de
modelos climáticos de grande escala. Esta seria uma forma de se avaliar
impactos de mudanças climáticas sobre o vento local.
136
REFERÊNCIAS BIBLIOGRÁFICAS
AMARANTE, O.C.; BROWER, M.; ZACK, J.; SÁ, A. Atlas do potencial eólico
brasileiro. , Brasília: CEPEL/ELETROBRÁS, 2001a.
AMARANTE, O.C.; SCHULTZ, D.; BITTENCOURT, R.; ROCHA, N. Wind-hydro

complementary seasonal regimes in Brazil. DEWI Magazine, n. 19,
Wilhelmshaven, Germany, 2001b.
AQUINO, R. R. B.; LIRA, M. M. S.; OLIVEIRA, J. B.; CARVALHO JR, M. A.;

NETO, O. N., ALMEIDA, G. J. Application of wavelet and neural network
models for wind speed and power generation forecasting in a brazilian
experimental wind park. In: INTERNATIONAL JOINT CONFERENCE ON
NEURAL NETWORKS. Proceedings … Atlanta, Georgia: USA, IEEE, 2009.
ARAKAWA, A.; LAMB, V.R. Computational design of the basic dynamical

process of the UCLA general circulation model. Methods in Computational
Physics, v. 17, p. 173-265, 1977.
ARYA, S. P. Introduction to micrometeorology. San Diego: Academic Press,

2001. 303 p. ISBN 9780120644902.
BLACK, T. L. The new NMC mesoscale ETA-model: description and forecast

examples. Weather Forecasting, v.9, n.2, p. 265-278, 1994.
BRAGA, A. P.; CARVALHO A. C. P. F.; LUDERMIR, T. B. Fundamentos de

redes neurais artificiais. 11a Escola de Computação / Universidade Federal
do Rio de Janeiro, 1998. 246 p.
BRASIL. Centrais Elétricas Brasileiras - ELETROBRAS. Sistema de

informação do potencial hidrelétrico brasileiro - SIPOT. Rio de Janeiro,
2003.
BRASIL. Empresa de Pesquisas Energéticas – EPE. Balanço energético

nacional 2011 – Ano base 2010: Resultados preliminares. Rio de Janeiro,
EPE, 2011. Disponível em: <http://ben.epe.gov.br/>. Acesso em: 12 ago 2011
BRASIL. Empresa de Pesquisas Energéticas – EPE. PDE 2019 - Plano

Decenal de Expansão de Energia. Brasília: MME/EPE, 2010. Disponível em:
<http://www.epe.gov.br/>. Acesso em: 12 ago 2011.
BRASIL. Ministério de Ciência e Tecnologia - MCT. Inventário brasileiro das

emissões e remoções antrópicas – Informações gerais e valores
preliminares, 24 de Novembro de 2009. Disponível em:
http://www.senado.gov.br. Acesso em: 03 set 2011.
BRASIL. Ministério de Minas e Energia – MME. PROINFA. Disponível em:

<http://www.mme.gov.br/programas/proinfa >. Acesso em: 12 ago 2011.
137
BURTON, T., SHARPE, D., JENKINS, N., BOSSANYI, E. Wind energy
handbook, John Willey & Sons, 2001. 617 p.
CALI, U.;JURSA,R.; KURT,M.; LANGE,B.;MÖHRLEN, C.; JØRGENSEN, J.U.;

ERNST, B. Artificial Neural Network Based Wind Power Forecasting Using a
Multi-Scheme Ensemble Prediction Model, In: EUROPEAN WIND ENERGY
CONFERENCE – EWEC, Proceedings… Brussels, Belgium,EWEA, 2008.
CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA – CCEE.

Disponível em: http://www.ccee.org.br/, acessado em 28/09/2011.
CAMPBELL, P.R.J. Short-Term Wind Energy Forecasting. In: CANADA

ELECTRICAL POWER CONFERENCE, 2007, Canada. Proceedings…
Canada: IEEE, 2007. p. 342-346
CENTRO DE PREVISÃO DO TEMPO E ESTUDOS CLIMÁTICOS –

CPTEC/INPE. Eta Model. Disponível em: http://etamodel.cptec.inpe.br>,
Acesso em: 16 ago 2011.
CHEN, F., JANJIC Z. MITCHELL, K. Impact of atmospheric surface-layer

parameterizations in the new land-surface scheme of the NCEP mesoscale Eta
model. Boundary-Layer Meteorology, v. 85, n. 3, p. 391-421, 1997.
CHOU, S. C. Modelo Regional Eta. Climanálise, Edição comemorativa de 10

anos, 2006. Disponível em: <http://www.cptec.inpe.br/products/climanalise/>.
CHOU, S.C.;SOUZA, C.R.;GOMES, J.L.; EVANGELISTA, E.F.D.; OSÓRIO, C.;

CATALDI, M. Refinamento estatístico das previsões horárias de temperatura a
2 m do modelo Eta em estações do nordeste do Brasil. Revista Brasileira de
Meteorologia, v.22, n.3, p.287-296, 2007.
COSTA, G. B. Análise Numérica Espacial e Temporal do Vento no Estado

de Alagoas. Dissertação de Mestrado, UFAL, Maceió, 2009.
CYBENKO, G. Continuous valued neural networks with two hidden layers

are sufficient. Medford, MA: Department of Computer Science, Tufts
University, 1988.Technical Report.
DALMAZ, A. Estudo do potencial eólico e previsão de ventos para geração

de eletricidade em Santa Catarina. Dissertação de Mestrado, UFSC,
Florianópolis, 2007.
DE MARIA, P. H., COSTA, A. A., SOMBRA, S. S. Modelagem numérica em alta

resolução para previsão de geração eólica no Ceará. Revista Brasileira de
Meteorologia, v.23, n.4, p. 477-489, 2008.
138
DICA, C. I., VASILIU, D.,COMANESCU, G., UNGUREANU, M. Wind Power
Short-Term Forecasting System. In: POWER TECH CONFERENCE, 2009,
Bucharest, Romania. Proceedings… Bucharest, Romania: IEEE, 2009 .
DUTRA, R. M., SZKLO, A. S. Incentive policies for promoting wind power

production in Brazil: Scenarios for the Alternative Energy Sources Incentive
Program (PROINFA) under the New Brazilian electric power sector regulation
Renewable Energy, v. 33, p. 65-76, 2007.
ERNST, B., OAKLEAF, B., AHLSTRON, M. L., LANGE, M., MOEHRLEN, C.,
LANGE, B., FOCKEN, U., ROHRIG, K. Predicting the Wind. IEEE Power &
Energy magazine, v.5, n.6, p. 78-89, 2007.
EUROPEAN WIND ENERGY ASSOCIATION - EWEA, Wind in power 2009:

European statistics, 2009. Disponível em: < www.ewea.org>. Acesso em: 09 set
2011.
FAHLMAN, S. E. An empirical study of learning speed in backpropagation

networks. Technical Report , Carnegie Mellow University, 1988.
FAN, S., LIAU, J. R., YOKOYAMA, R., CHEN, L., LEE, W.J. Forecasting the
wind generation using a two-stage network based on meteorological
information, IEEE Transactions on Energy Conversion, v. 24, n.2, 2009.
FERREIRA, A.; LUDERMIR,T.B.; AQUINO, R. R. B.; LIRA, M. M. S.; NETO, O.

N., Investigating the use of reservoir computing for forecasting hourly wind
speed in short-term. In: INTERNATIONAL JOINT CONFERENCE ON NEURAL
NETWORKS, 2008. Proceedings… IEEE, 2008. p.1649-1656
FOKEN, T. 50 years of the Monin-Obukhov similarity theory, Boundary-layer

meteorology, vol.119, p. 431-447, 2006.
FOKEN, T. Micrometeorology. Springer, 2008, 320 p.
FORESEE, F. D., HAGAN, M. T. Gauss-Newton Approximation to Bayesian

Learning. In: INTERNATIONAL JOINT CONFERENCE ON NEURAL
NETWORKS, Proceedings…, IEEE 1997. p.1930-1935
GALLUS,W.A. The impact of step orography on flow in the eta model: two
contrasting examples, Weather and Forecasting, v.15, p.630-637, 2000.
GEMAN, S., BIENENSTOCK, E., DOURSAT, R. Neural networks and the bias-
variance dilemma. Neural Computation, v.4, p.1-58, 1992.
GOLDEMBERG, J., VILLANUEVA, L. D. Energia, meio ambiente e

desenvolvimento. São Paulo: EDUSP, 2003, 225p. ISBN 8531404525.
139
GUARNIERI, R. A. Emprego de redes neurais artificiais e regresso linear
múltipla no refinamento das previsões de radiação solar do modelo ETA.
2006. 171 p. (INPE-14172-TDI/1089). Dissertação (Mestrado em Meteorologia)
- Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2006.
Disponível em: <http://urlib.net/sid.inpe.br/MTC-m13@80/2006/05.30.18.50>.
Acesso em: 22 dez. 2011.
GUENARD, V., KARINIOTAKIS, G., MARTI, I. ANEMOS advanced wind power

forecasting. Operational challenges and on-line performance, In: EUROPEAN
WIND ENERGY CONFERENCE – EWEC, 2007, Milan. Proceedings… Milan,
Italy.EWEA: 2007
HAGAN, M.T.; MENHAJ, M.B. Training feedforward networks with the

Marquardt algorithm. Neural Networks, IEEE Transactions on …, v.5, p.989 –
993, Nov, 1994.
HAYKIN, S. Neural networks: a comprehensive foundation, Macmillan

College Publishing Company, 1994. 696 p.
HEBB, D. O. The organization of behavior. New York: Wiley, 1949.
HIDROFIL. Aerogerador de 2,1 MW utilizado nas estimativas e sua curva

de potência. 2011. Disponível em: <www.thewindpower.net> Acesso em:
22/12/2011. 1 figura.
HOLTON, J. An Introduction to Dynamic Meteorology. Fourth edition. San

Diego: Elsevier Academic Press, 2004. 535 p. ISBN 0123540151.
HOPFIELD, J. J. Neural networks and physical systems with emergent

collective computational abilities. Proceedings of the National Academy of
Sciences of the United States of America, v. 79, n. 8, p. 2554-2558, 1982.
HUNT, J.C.R.; SIMPSON, J.E. Atmospheric boundary layer over

nonhomogeneus terrain. Engineering Meteorology, E.J. Plate Ed., p.269-318,
Amsterdan,1982.
IPCC. Climate change 2007: Synthesis report. Contribution of Working

Groups I, II and III to the Fourth Assessment, Report of the Intergovernmental
Panel on Climate Change [Core Writing Team, PACHAURI, R.K and
REISINGER, A. (eds.)]. IPCC, 2007, Genebra, Suíça, 104 p, ISBN 92-9169-
122-4. Disponível em: www.ipcc.ch. Acesso em: 06 set 2011.
JANJIĆ, Z. L. The step-mountain Eta coordinate model: further developments of

the convection, viscous sublayer, and turbulence closure schemes. Monthly
Weather Review, vol. 122, n.5, p. 927-945, 1994.
LANDBERG, L., GIEBEL, G., NIELSEN, A., NIELSEN, T., MADSEN, H. Short-
term Prediction - An Overview. Wind Energy, Vol.6, p. 273-280, 2003.
140
LANGE, M., FOCKEN, U. Physical Approach to Short-Term Wind Power
Prediction. Springer, 2006. 208 p.
LANGE,M., FOCKEN, U. New developments in wind energy forecasting. In:

POWER AND ENERGY SOCIETY GENERAL MEETING – Conversion and
delivery of electrical energy in the 21st century, 2008, Pittsburgh.
Proceedings… Pittsburgh, USA. IEEE: 2008, p.1-8.
LAZIC, L., PEJANOVIC, ZIVKOVIC, M. Wind forecasts for wind power

generation using the Eta model. Renewable Energy, v. 35, n.1, p.1236-1243,
2009.
LERNER, J., GRUNDMEYER, M.,GARVERT, M. The Importance of Wind

Forecasting. Renewable Energy Focus, p.64-66, Março/Abril, 2009.
LOPES, J. C., Palestra, I Workshop sobre o desenvolvimento de tecnologia

nacional para o levantamento de potencial eólico. INPE, São José dos
Campos, Abril, 2010.
LOREDO-SOUZA, A.M; SCHETTINI, E.B.C; PALUCH, M.J. Simulação da

Camada Limite Atmosférica em Túnel de Vento. In: Möller, S. V.; Silvestrini J.
H. (Org.). Turbulência. Rio de Janeiro: Associação Brasileira de Engenharia e
Ciências Mecânicas - ABCM, 2004, v.4, p.137-163.1 CD-ROM.
LOUKA, P., KALLOS, G.,GALANIS, G., KATSAFADOS, P., PYTHAROULIS, I.

Resolution issues on NWPs for wind power applications – Downscaling. In:
EUROPEAN WIND ENERGY CONFERENCE - EWEC, 2006, Athens.
Proceedings… Athens, Greece: EWEA, 2006.
LYRA, A. A. Testes de sensibilidade e avaliação das previsões de vento do

modelo ETA para região nordeste. 2007. 106 p. (INPE-15201-TDI/1301).
Dissertação (Mestrado em Meteorologia) - Instituto Nacional de Pesquisas
Espaciais, Cachoeira Paulista, 2007. Disponível
em:<http://urlib.net/sid.inpe.br/mtc-m17@80/2007/11.21.15.31>. Acesso em: 22
dez. 2011. .
MARQUARDT, D. An Algorithm for Least-Squares Estimation of Nonlinear

Parameters. SIAM Journal on Applied Mathematics, n.11, v.2, p. 431–441,
1963.
MARTINS, F. R., GUARNIERI, R. A., CHAGAS, R. C., MANTELLI, S. L.,

PEREIRA, E. B., ANDRADE,E., THOMAZ, C. Projeto SONDA – Rede nacional
de estações para coleta de dados meteorológicos aplicados ao setor de
energia. CONGRESSO BRASILEIRO DE ENERGIA SOLAR, Anais...,
Fortaleza, CE, ABENS, 2007.
141
MARTINS, F. R., PEREIRA, E. B. Enhancing information for solar and wind
energy technology deployment in Brazil. Energy Policy , v.39, p.4378-4390,
2011.
MARTINS,F.R., GUARNIERI, R.A., PEREIRA, E.B. O aproveitamento da

energia eólica. Revista Brasileira de Ensino de Física, v.30, n.1, p.1304,
2008.
MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in

nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943.
MELLOR, G. L.,YAMADA, T. Development of a turbulence closure model for

geophysical fluid problems. Review of Geophysics and Space Physics, v. 20,
p. 851- 875, 1982.
MENDES, D., MARENGO, J. A. Temporal downscaling: a comparison between

artificial neural network and autocorrelation techniques over the Amazon Basin
in present and future climate change scenarios, Theoretical and Applied
Climatology, v.100, n.3-4, p.413-421, May, 2010. DOI: 10.1007/s00704-009-
0193-y
MESINGER, F. A blocking technique for representation of mountains in

atmospheric models. Rivista di Meteorologia Aeronautica, v. 44, n.1-4, p.
195-202, 1984.
MINSKY, M.; PAPERT, S. Perceptrons: an introduction to computational

geometry. Massachusetts: MIT Press, 1969.
MITCHELL, K.,The community NOAH Land Surface Model (LSM). 2001.

Disponível em: <//ftp.ncep.noaa.gov/pub/gcp/ldas/noahlsm/ver_2.2> Acesso
em: 24 ago 2011.
MOLION, L. C. B.; BERNARDO, S.O. Dinâmica das chuvas sobre o

Nordeste brasileiro, In: XI CONGRESSO BRASILEIRO DE METEOROLOGIA.
Anais... Sociedade Brasileira de Meteorologia – SBMET, Rio de Janeiro, 2000.
MONIN, A. S., OBHUKOV, A. M. Basic laws of turbulent mixing in the ground

layer of the atmosphere. Trudy Geofiz, inst. AN SSSR, v. 24, n. 151, p. 163-
187, 1954.
MONIN, A. S., YAGLOM, A. M. Statistical fluid mechanics: mechanics of

turbulence. Cambridge, Massachussets: MIT Press, p.769, 1971.
MONTEIRO, C., BESSA, R., MIRANDA, V., BOTTERUD, A., WANG, J.,
CONZELMANN, G. Wind power forecasting: state-of-the-art 2009, Technical
Report, Argonne National Laboratory - U.S. Department of Energy, Argonne,
EUA, 2009.
142
MORI, H. UMEZAWA, Y. Application of NBTree to Selection of Meteorological
Variables in Wind Speed Prediction, TRANSMISSION & DISTRIBUTION
CONFERENCE & EXPOSITION: ASIA AND PACIFIC, Proceedings… Seoul,
Korea, IEEE, 2009.
NCEP, Workstation Eta Homepage, disponível em

http://www.emc.ncep.noaa.gov/mmb/wrkstn_eta/, consulta realizada em
25/09/2011.
NICKOVIĆ, S., MIHAILOVIĆ, D., RAJKOVIĆ, B. Scientifc documentation of

the Eta model. Unofficial documentation for WMO publication. Geneva,
Switzerland, 1998.
ORLANSKI, I., A rational subdivision of scales for atmospheric process. Bull. of

the American Meteorological Society, v.56, p.529-530,1975.
PEREIRA, E.B.,LIMA, J.H.G. Solar and Wind Energy Resource Assessment

in Brazil – SWERA, MCT/INPE, São José dos Campos, SP, 2008.
PES, M. P. Estudo do impacto das mudanças climáticas no potencial

eólico no estado do Rio Grande do Sul. Para os períodos de 2010 a 2040 e
2070 a 2100. 2010. 172 p. (sid.inpe.br/mtc-m18@80/2009/11.15.16.15-TDI).
Dissertação (Mestrado em Meteorologia) - Instituto Nacional de Pesquisas
Espaciais, São José dos Campos, 2009. Disponível
em: <http://urlib.net/8JMKD3MGP8W/36DNGSL>. Acesso em: 22 dez. 2011.
PIMENTA, F., KEMPTON, W., GARVINE, R. Combining meteorological stations

and satellite data to evaluate the offshore wind power resource of
Southeastern Brazil, Renewable Energy, v.33, p.2375-2387, 2008.
RAMIREZ-ROSADO,I. J., JIMENEZ, L., MONTEIRO, C., SOUSA, J., BESSA,
R. Comparison of two new short-term wind-power forecasting systems.
Renewable Energy, v.34, p.1848-1854, 2009.
REED, R. Prunning algorithms – A survey. IEEE Transactions on Neural

Networks, v.4, n.5, p. 740-746, 1993.
ROBALLO, S. T., FISCH, G. Escoamento atmosférico no centro de

Lançamento de Alcântara: Parte I-Aspectos Observacionais. Rev. Bras. de
Meteor., v.23, n.4, p.510-519, 2008.
ROSENBLATT, F. The perceptron: a probabilistic model for information storage

and organization in the brain. Psychol. Rev., v. 65, p. 386-408, 1958.
ROZANTE, J. R. O impacto do aninhamento no modelo Eta nas previsões

de tempo.. 2001. 130 p. (INPE-11432-TDI/953). Dissertação (Mestrado em
Meteorologia) - Instituto Nacional de Pesquisas Espaciais, São José dos
143
Campos, 2001. Disponível
em:<http://urlib.net/sid.inpe.br/jeferson/2004/11.23.15.00>. Acesso em: 22 dez.
2011.
RUMELHART, D. E.; HINTON G. E.; WILLIAMS, R. J. Learning representations

by backpropagation errors. Nature, v. 323, p. 533-536, 1986.
SAILOR, D.J.; HU, T.; LI, X.; ROSEN J.N. A neural network approach to local
downscaling of GCM output for assessing wind power implications of climate
change. Renewable Energy, n.19, p. 359-378, 2000.
SANZ, S.S., BELLIDO, A. P., GARCIA, E. O., FIGUERAS, A.P., PRIETO, L.,
PAREDES, D., CORREOSO, F. Short-term wind speed prediction by
hybridizing global and mesoscale forecasting models with artificial neural
networks. In: INTERNATIONAL CONFERENCE ON HYBRID INTELLIGENT
SYSTEMS, 8., 2008, Barcelona. Proceedings... Barcelona: IEEE, 2008.
p.608-612.
SIDERATOS, G., HATZIARGYRIOU, N. An Advanced Statistical Method for

Wind Power Forecast. IEEE Transactions on Power Systems, v. 22, n.1, p.
258-265, 2007.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). Sistema de

Organização Nacional de Dados Ambientais (SONDA). Disponível em:
<http://sonda.ccst.inpe.br/>, Acesso em: 15 set 2011
STULL, R. B. An introduction to boundary layer meteorology. Dordrecht:

Kluwer Academic Publishers, 1988.
SUN, J., MAHRT, L. Determination of surface fluxes from the surface radiative
temperature. Journal of the Atmospheric Sciences, v. 52, n. 8, p. 1096-1104,
1995.
TEUNISSEN, H.W.; SHOKR, M.E.; BOWEN, A.J. ;WOOD, C.J.;GREEN,D.W.R,

The Askervein Hill Project: wind tunnel simulations at three length scales,
Boundary Layer Meteorology, n.40, p.1-29, 1987.
THOR, S.E. Optimal use of available information in wind power

forecasting. Madrid: CENER, 2008.Relatório do IEA Joint Assembly
Symposium.
TSIKALAKIS, A.G. HATZIARGYRIOU, N.D., KATSIGIANNIS,

Y.A.,GEORGILAKIS, P.S. Impact of Wind Power Forecasting Error Bias on the
144
Economic Operation of Autonomous Power Systems, Wind Energy, n.12,
p.315–331, 2009.
VAN DER HOVEN, I. Power spectrum of horizontal wind speed in the frequency
range from 0.0007 to 900 cycles per hour. Journal of Meteorology, v.14,
p.160-164 1957.
WALLACE, J. M.; HOBBS, P. V. Atmospheric science: an introductory

survey. San Diego: Academic Press, 2001. 483p.
WILKS, D. S. Statistical methods in the atmospheric sciences. Amsterdan:

Elsevier, 2006. 649 p.
WORLD WIND ENERGY ASSOCIATION - WWEA. World wind energy report

2009. Disponível em: <http://www.wwindea.org/>. Acesso em: 15 set 2011.
WU, Y. K., HONG, J. S. A literature review of wind forecasting, POWER TECH

2007, Proceedings…, p. 504-509, Lausanne, Swizterland, IEEE.
145
146
APÊNDICE A
Nro Variável Descrição

1 Time tempo
2 apcpsfc precipitação total superficie
3 cdsfc coeficiente de arrasto superficial
4 dlwrfsfc onda longa descendente
5 dpt2m ponto de orvalho 2m
6 dswrfsfc onda curta descendente
7 lcdclcl cobertura de nuvens baixas
8 lhtflsfc fluxo calor latente
9 msletmsl pressao media nivel do mar (Eta)
10 mstavdlr disponibilidade de umidade
11 pressfc pressão em superfície
12 sfexcsfc coeficiente troca em superficie
13 shtflsfc fluxo de calor sensivel
14 spfh10m umidade especifica a 10m
15 tcdcclm cobertura total de nuvens
16 tmp2m temperatura a 2m
17 uflxsfc fluxo zonal de momento em superficie
18 ugrd10m vento zonal a 10 m
19 vflxsfc fluxo meridional de momento em superficie
20 vgrd10m vento meridional a 10 m
21 hgtprs1000 altura geopotencial em 1000 hPa
28 spfhprs1000 umidade especifica em 1000 hPa
35 tmpprs1000 temperatura em 1000 hPa
147
42 ugrdprs1000 vento zonal em 1000 hPa
49 vgrdprs1000 vento meridional em 1000 hPa
56 wndmag10 magnitude vento
57 wnddir10 direcao vento
58 ghapcpsfc tendência horária de precipitação total superficie
59 ghcdsfc tendência horária de coeficiente de arrasto superficial
60 ghdlwrfsfc tendência horária de onda longa descendente
61 ghdpt2m tendência horária de ponto de orvalho 2m
62 ghdswrfsfc tendência horária de onda curta descendente
63 ghlcdclcl tendência horária de cobertura de nuvens baixas
64 ghlhtflsfc tendência horária de fluxo calor latente
65 ghmsletmsl tendência horária de pressao media nivel do mar (Eta)
66 ghmstavdlr tendência horária de disponibilidade de umidade
67 ghpressfc tendência horária de pressão em superfície
68 ghsfexcsfc tendência horária de coeficiente troca em superficie
69 ghshtflsfc tendência horária de fluxo de calor sensivel
70 ghspfh10m tendência horária de umidade especifica a 10m
71 ghtcdcclm tendência horária de cobertura total de nuvens
72 ghtmp2m tendência horária de temperatura a 2m
73 ghuflxsfc tendência horária de fluxo zonal de momento em superficie
74 ghugrd10m tendência horária de vento zonal a 10 m
75 ghvflxsfc tendência horária de fluxo meridional de momento em superf.
76 ghvgrd10m tendência horária de vento meridional a 10 m
77 ghhgtprs1000 tendência horária de altura geopotencial em 1000 hPa
148
84 ghspfhprs1000 tendência horária de umidade especifica em 1000 hPa
91 ghtmpprs1000 tendência horária de temperatura em 1000 hPa
98 ghugrdprs1000 tendência horária de vento zonal em 1000 hPa
105 ghvgrdprs1000 tendência horária de vento meridional em 1000 hPa
112 ghwndmag10 tendência horária de magnitude vento
113 uxturb advecção de momento médio pela componente turbulenta
114 uxmean adveccao média de momento
115 uwsdy1 fluxo vertical turbulento de momento médio - termo 1
116 uwsdy2 fluxo vertical turbulento de momento médio - termo 2
117 dprsdx gradiente horizontal de pressao
118 uxvisc perdas por efeitos viscosos
119 uwflux fluxo vertical turbulento médio de momento
120 gdapcpsfc tendência diária de precipitação total superficie
121 gdcdsfc tendência diária de coeficiente de arrasto superficial
122 gddlwrfsfc tendência diária de onda longa descendente
123 gddpt2m tendência diária de ponto de orvalho 2m
124 gddswrfsfc tendência diária de onda curta descendente
149
125 gdlcdclcl tendência diária de cobertura de nuvens baixas
126 gdlhtflsfc tendência diária de fluxo calor latente
127 gdmsletmsl tendência diária de pressao media nivel do mar (Eta)
128 gdmstavdlr tendência diária de disponibilidade de umidade
129 gdpressfc tendência diária de pressão em superfície
130 gdsfexcsfc tendência diária de coeficiente troca em superficie
131 gdshtflsfc tendência diária de fluxo de calor sensivel
132 gdspfh10m tendência diária de umidade especifica a 10m
133 gdtcdcclm tendência diária de cobertura total de nuvens
134 gdtmp2m tendência diária de temperatura a 2m
135 gduflxsfc tendência diária de fluxo zonal de momento em superficie
136 gdugrd10m tendência diária de vento zonal a 10 m
137 gdvflxsfc tendência diária de fluxo meridional de momento em superficie
138 gdvgrd10m tendência diária de vento meridional a 10 m
139 gdhgtprs1000 tendência diária de altura geopotencial em 1000 hPa
146 gdspfhprs1000 tendência diária de umidade especifica em 1000 hPa
153 gdtmpprs1000 tendência diária de temperatura em 1000 hPa
160 gdugrdprs1000 tendência diária de vento zonal em 1000 hPa
167 gdvgrdprs1000 tendência diária de vento meridional em 1000 hPa
150
174 gdwndmag10 tendência diária de magnitude vento
175 u2dmgd tendência diária de adveccao media de momento
176 dprsgd tendência diária de gradiente horizontal de pressao
177 uxdvgd tendência diária de perdas por efeitos viscosos
178 wave0 variavel ciclo diario com max as 6h
151

Publicacao

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Publicacao

Enviado por

Direitos autorais:

Formatos disponíveis

sid.inpe.br/mtc-m19/2012/02.27.17.

REFINAMENTO ESTATÍSTICO DAS PREVISÕES DE

André Rodrigues Gonçalves

Dissertação de Mestrado do Curso

URL do documento original:

Instituto Nacional de Pesquisas Espaciais - INPE

CONSELHO DE EDITORAÇÃO E PRESERVAÇÃO DA PRODUÇÃO

REFINAMENTO ESTATÍSTICO DAS PREVISÕES DE

André Rodrigues Gonçalves

Dissertação de Mestrado do Curso

URL do documento original:

Gonçalves, André Rodrigues.

Dissertação (Mestrado em Meteorologia) – Instituto Nacional

1. Previsão de vento. 2. Refinamento estatı́stico. 3. Camada

Copyright c 2011 by MCT/INPE. No part of this publication may be reproduced, stored in a

Mahatma Gandhi, pacifista indiano.

Sêneca, filósofo latino.

“Sempre que ensinares, ensina também a duvidares do que ensinas”

José Ortega y Gasset, filósofo espanhol.

Enfim, o mestrado se encerra. Depois de tudo pronto, o passado não aparenta

Agradeço primeiramente a Deus pelo presente maior, a vida, me

Agradeço também aos amigos que me incentivaram a seguir este caminho, ao

Agradeço ao INPE, à pos-graduação em meteorologia e à CAPES pelos

Um agradecimento especial deixo à Mári, pelo carinho e companheirismo ao

A todos que me apoiaram de alguma forma, os meus sinceros agradecimentos.

A capacidade eólica instalada vem crescendo consistentemente em diversos

The installed wind power capacity is increasing significantly worldwide. Due to

Figura 1.1 Evolução da potência eólica instalada mundial na última 1

Tabela 2.1 Comprimento de rugosiddade típico para diversos tipos 14

Tabela 5.2 Descrição das variáveis Eta/PV. 57

Tabela 6.1 Experimentos referentes às rodadas do modelo Eta/PV. 61

Tabela 6.2 Critérios para o controle de qualidade dos dados 65

Tabela 7.1 Número de preditores por subconjunto antes e após 91

ANEEL Agência Nacional de Energia Elétrica

Vetor velocidade do vento, m/s

 Densidade do ar, kg/m³

Temperatura potencial absoluta, K

Pressão atmosférica local, N/m²

Componente zonal do vento, m/s

Componente meridional do vento, m/s

 Componente vertical do vento, m/s

Coeficiente de potência do aerogerador

 Calor específico do ar a pressão constante, J/kgK

 Calor latente de vaporização da água, J/kg

É notável o avanço alcançado pelos modelos de Previsão Numérica de Tempo

Figura 1.1 – Evolução da potência eólica instalada mundial na última década.

A evolução da sociedade, da pré-história à era moderna, sempre esteve ligada a

A demanda energética está ligada ao crescimento populacional, ao crescimento

produzir uma unidade monetária de PIB (GOLDEMBERG; VILLANUEVA, 2003).

De maneira análoga, pode-se determinar uma intensidade elétrica, associada

Figura 1.3 – Evolução da Intensidade Energética e Elétrica no Brasil.

Atualmente, o Brasil possui uma matriz de geração elétrica relativamente limpa,

Figura 1.4 – GEE emitidos pelas diversas fontes energéticas no Brasil.

Apesar do enorme potencial hidroelétrico brasileiro,, estimado em 260GW,

1.3. A Energia Eólica

O Brasil possui um potencial eólico estimado de 143GW (AMARANTE

Figura 1.5 – Mapa do potencial eólico brasileiro (a); e do sistema interligado

No Nordeste brasileiro ocorre ainda uma característica vantajosa que é a

No leilão realizado em Julho de 2011, cerca de 48% de toda a energia contratada

Conforme demonstrado anteriormente, têm-se observado uma inserção crescente

1.4. A Previsão de Ventos e a Geração Elétrica

A previsão de potência eólica disponível depende basicamente da previsão do vento

 é proporcional ao cubo da velocidade do vento, conforme a Equação 1.2

Densidade do ar, kg/m³

Componente vertical do vento, m/s

Calor específico do ar a pressão constante, J/kgK

Calor latente de vaporização da água, J/kg

é proporcional ao cubo da velocidade do vento, conforme a Equação 1.2

Onde é a potência instantânea, em Watts, e é o coeficiente adimensional de

Onde é aconstante de Von-Karman, ∗

O comprimento de rugosidade % é uma medida da turbulência gerada pelos

médias :; e turbulentas :` conforme a Equação 2.4, onde :

Onde é o calor latente da água, ∗

Onde Yé a temperatura potencial virtual, Y a temperatura virtual e a aceleração

Onde, T’ é a flutuação da temperaturade, % a temperatura média, ′ é a flutuação

A principal característica deste modelo é a introdução da coordenada vertical eta η

Nesta equação, p é a pressão local, p|}~ a pressão na superfície, p?} a pressão de